支持向量机（SVM）是一个用于分类和回归任务的强大模型。关于题目给出的选项，我们需要逐一分析：

A. **L2正则项，作用是最大化分类间隔，使得分类器拥有更强的泛化能力**
- **正确**。L2正则化在SVM中用于最大化分类间隔，帮助提高模型的泛化能力。

B. **Hinge 损失函数，作用是最小化经验分类错误**
- **错误**。Hinge 损失函数的主要作用是通过惩罚距离决策边界较近的样本，以及错误分类的样本，从而间接地最小化分类错误，但它不直接对分类错误进行最小化。

C. **分类间隔为1/||w||，||w||代表向量的模**
- **正确**。在标准SVM中，分类间隔是1/||w||，其中||w||表示权重向量的模。

D. **当参数C越小时，分类间隔越大，分类错误越多，趋于欠学习**
- **正确**。参数C控制间隔和误分类惩罚之间的权衡。当C较小时，更注重最大化间隔，因此可能允许更多的分类错误，导致欠拟合。

综上分析，**B**选项是错误的。Hinge损失函数是为了使得支持向量尽量远离决策边界，而不能简单理解为最小化经验分类错误。