提高非线性可分支持向量机（SVM）模型表现的方法包括选择合适的核函数和调整模型参数。以下是对各个选项的专业分析：

| 选项 | 分析 |
|------|------|
| A: 尝试使用 RBF 核函数 | RBF（径向基函数）核是最常用的核函数之一，具有强大的非线性映射能力，适合处理复杂的非线性数据。这一选项可以显著提高模型在处理非线性可分数据时的表现。|
| B: 尝试使用多项式核函数，并且尝试使用较大的 degree 值 | 多项式核函数可以捕捉非线性关系，通过调整 degree 参数，可以改变模型的复杂度。较大的 degree 可以提高模型的非线性拟合能力，但过大的 degree 可能导致过拟合，需要小心调整。|
| C: 尝试增加 C 的值 | C 参数控制误差项的惩罚程度。增大 C 的值会使 SVM 更加倾向于减少训练误差，可能导致更大的模型复杂性和过拟合。在非线性可分情况下，适当增大 C 可以提高模型的表现。但需注意，过大的 C 值可能导致对噪声数据的过拟合。|
| D: 以上都对 | 综合来看，在处理非线性可分数据时，使用合适的核函数（如 RBF 或多项式核）和适当调整参数（如 C 值），都可以有效提高 SVM 的模型表现。因此，选项 D 是正确答案。|

综上，选项 D 是正确的，因为在处理复杂非线性数据时，结合使用不同的核函数和调整参数是提高 SVM 表现的有效策略。选择适合的数据集特征的核函数，同时在参数调优过程中需要使用交叉验证等方法来避免过拟合。