两者在理论基础上有什么区别？在模式识别中的应用有什么不同之处（应用的方面有什么不同）？

在统计学习理论中发展起来的支持向量机（Support Vector Machines, SVM）方法是一种新的通用学习方法，表现出理论和实践上的优势。SVM在非线性分类、函数逼近、模式识别等应用中有非常好的推广能力，摆脱了长期以来形成的从生物仿生学的角度构建学习机器的束缚。此外，基于SVM的快速迭代方法和相关的简化算法也得到发展。与神经网络相比，支持向量机方法具有更坚实的数学理论基础，可以有效地解决有限样本条件下的高维数据模型构建问题，并具有泛化能力强、收敛到全局最优、维数不敏感等优点。目前，统计学习理论和SVM已经成为继神经网络之后机器学习领域最热门的研究方向之一，并有力推动了机器学习理论的发展。SVM已被初步研究使用在核天线阵列处理的波束成形，智能天线系统的波达角估计，盲均衡器的设计；盲波束成形器设计。