统计学习理论是研究利用经验数据进行机器学习的一种一般理论，属于
计算机科学、模式识别和应用统计学相交叉与结合的范畴，其主要创立者是本书的作者Vladimir N. Vapnik。统计学习理论的基本内容诞生于20世纪60~70年代，到90年代中期发展到比较成熟并受到世界机器学习界的广泛重视，其核心内容反映在Vapnik的两部重要著作中，本书即是其中一部，另一部是“The Nature of Statistical Learning Theory”（《统计学习理论的本质》）。
Vladimir N.Vapnik于1990年加入美国AT&T贝尔实验室，现仍担任顾问，1995年起任
英国Royal Holloway大学计算机和统计学教授。Vapnik教授从事计算机科学、理论与应用统计学研究已有30多年，发表了7部学术著作和上百篇研究论文。他的主要学术成就是研究发展了一套基于经验数据估计依赖关系的一般理论，即统计学习理论，以及在此理论基础上的一种新的学习机器——支持向量机，它具有很高的推广能力。这些理论与方法可以用在很多模式识别和回归估计问题中，并已经在很多实际问题中取得了很好的应用成果。
许建华，2002年于
清华大学模式识别与智能系统专业获工学
博士学位。现在
南京师范大学计算机系从事教学与科研工作。主要研究方向为模式识别、神经网络、机器学习、人工智能、信号处理理论及其应用。