以下是关于支持向量机(Support Vector Machine, SVM)的选项分析：

A: **支持向量是重要且关键的训练数据，它们是最难被分类正确的训练数据**
- **正确。** 支持向量是靠近决策边界的那些数据点，这些点对定义超平面的具体位置至关重要。它们是支持决策边界的位置，因此可以认为是最难分类的数据。

B: **移除支持向量以外的所有训练数据，并且再重新训练SVM，我们依然会得到相同的训练结果**
- **正确。** 在 SVM 中，支持向量是唯一影响决策边界的点。因此，即使移除支持向量以外的点，决策边界保持不变，并且重新训练时结果也是一致的。

C: **SVM 所学习得到的分类器，其复杂度取决于资料的维度**
- **不完全正确。** SVM 的复杂度主要取决于支持向量的数量而不是数据的维度。即使在高维空间，使用核技巧后，SVM 的性能更多地依赖于支持向量的数量。

D: **一个支持向量数量稀少的SVM分类器，即使面对资料的维度十分高时，其推理能力(Generalization)仍然会很好**
- **正确。** SVM 的泛化能力与支持向量的数量密切相关。较少的支持向量通常表示较简单的模型，降低了过拟合的风险，从而提升泛化能力。这是SVM 在高维空间表现良好的原因之一。

因此，选项 A、B 和 D 是正确的。