Una máquina de vectores de soporte (SVM) tiene como objetivo lograr un hiperplano óptimo con un margen interclasificado máximo y ha sido ampliamente utilizada en el reconocimiento de patrones. Tradicionalmente, una SVM considera principalmente la separabilidad de los puntos de límite (es decir, vectores de soporte), mientras que la información subyacente de la estructura de datos es comúnmente ignorada. En este documento, se propone una máquina de vectores de soporte mejorada con la distancia del transportista de tierra (EMD-SVM). Puede considerarse como una generalización mejorada de la SVM estándar y puede aprender automáticamente la distribución entre las clases. Para validar su rendimiento, discutimos la necesidad de la información estructural de EMD-SVM en los casos lineales y no lineales, respectivamente. Se diseñó y llevó a cabo una validación experimental en diferentes campos de aplicación, que han demostrado su rendimiento superior y robusto.