Los algoritmos de máquinas de soporte vectorial (SVM) han sido ampliamente utilizados para la clasificación en diferentes áreas. Sin embargo, el uso de un solo clasificador SVM está limitado por las ventajas y desventajas del algoritmo. Este documento propone un método novedoso, llamado cadenas de máquinas de soporte vectorial (SVMC), que implica encadenar múltiples clasificadores SVM en una estructura especial, de modo que cada aprendiz se construye disminuyendo una característica en cada etapa. Además, este documento propone un nuevo mecanismo de votación, llamado votación por torneo, en el cual las salidas de los clasificadores compiten en grupos, el resultado común en cada grupo se mueve gradualmente a la siguiente ronda y, en la última ronda, la etiqueta de clase ganadora se asigna como la predicción final. Se realizaron experimentos en 14 conjuntos de datos de referencia del mundo real. Los resultados experimentales mostraron que SVMC (88.11%) logró una precisión más alta que SVM (86.71%) en promedio gracias a la selección de características, el muestreo y la estructura de cadena combinada con múltiples modelos. Además, el votación por torneo propuesto demostró un mejor rendimiento que la votación mayoritaria estándar en términos de precisión. Los resultados también mostraron que el método SVMC propuesto superó a los métodos de vanguardia con una mejora del 6.88% en la precisión promedio.