El método del núcleo es una herramienta que convierte los datos a un espacio de núcleo donde se pueden realizar operaciones. Cuando se convierten a un espacio de características de alta dimensión mediante el uso de funciones de núcleo, las muestras de datos son más propensas a ser linealmente separables. Los métodos tradicionales de aprendizaje automático se pueden extender al espacio de núcleo, como la red de función de base radial (RBF). Como método basado en núcleos, la máquina de soporte vectorial (SVM) es uno de los métodos de clasificación no paramétrica más populares y es óptima en términos de teoría computacional del aprendizaje. Basándose en la teoría del aprendizaje estadístico y el principio del margen máximo, SVM intenta determinar un hiperplano óptimo abordando un problema de programación cuadrática (QP). Utilizando la teoría de la dimensión de Vapnik-Chervonenkis, SVM maximiza el rendimiento de generalización al encontrar el margen de clasificación más amplio dentro del espacio de características. En este artículo, se presentan de manera sistemática las máquinas de núcleo y las SVM. Primero describimos cómo convertir los métodos clásicos en máquinas de núcleo, y luego damos una revisión bibliográfica de las máquinas de núcleo existentes. Luego presentamos el modelo SVM, sus principios y varios métodos de entrenamiento de SVM para clasificación, agrupamiento y regresión. También se discuten temas relacionados, incluida la optimización de la arquitectura del modelo. Concluimos delineando las futuras direcciones para las máquinas de núcleo y las SVM. Este artículo funciona tanto como una encuesta de vanguardia como un tutorial.