در بسیاری از کاربردهای کمومتریکس، از حداقل مربعات جزئی (pls) برای ساختن یک مدل رگرسیونی استفاده می شود، اما (pls) بر پایه یک مدل سازی خطی است و همیشه به عنوان بهترین گزینه در نظر گرفته نمی شود. سیستم بردار حامی(svm) در ابتدا ابزاری برای طبقه بندی داده ها بوده است اما اصول آن را می توان به راحتی برای محاسبات رگرسیون بسط داد. svm یک تئوری فراگیری آماری بر پایه فرمولاسیون تئوری است، که به واسطه خواص بسیار جالب و توانایی عملکرد عمومی محبوبیت روز افزونی بدست آورده است. در این پایان نامه هدف اول، نشان دادن کاربرد svm به عنوان یک متد نسبتاً جدید برای اهداف رگرسیونی ( در مورد پلاروگرام) و در مرحله بعد مقایسه ای بین اجرای متدهای svm و pls، بر روی دو مجموعه از داده های پلاروگراف، بوده است. 2- نیتروفنول و 4- نیتروفنول دارای ساختار و خواص یکسانی هستند. علاوه بر این ایزونیازید و ریفامپیسین نیز ویژگی های الکتروشیمیایی یکسانی را دارا می باشند، و این در حالی است که این ترکیبات اغلب در یک نمونه به طور همزمان وجود دارند. به همین دلیل در هنگام اندازه گیری، هر یک از این ترکیبات مزاحمتی را برای دیگری بوجود می آورد. بنابراین در مخلوطی از این ترکیبات(2- نیتروفنول،4-نیتروفنول و ایزونیازید، ریفامپیسین) یک همپوشانی شدیدی بین پیک های پلاروگرافی مشاهده می شود. در این کار پژوهشی اندازه گیری همزمان این ترکیبات با استفاده از svm و pls صورت گرفته است. در آخر نتایج مطلوبی با استفاده از متد svm بدست آمده است. این نتایج بهتر از آنهایی است که با pls حاصل شده اند. به طور خلاصه، svm می تواند از عهده داده هایی با ابعاد بالا با کمترین مقدار از سری آموزشی بر آید و svm می تواند یک توانایی عمومی خوبی را برای مدل های پیچیده ارائه کند.