随着互联网的迅速发展，数据规模的增长达到了前所未有的速度，大数据已经成为当前机器学习的热门主题。由Cortes和Vapnik首次提出的基于统计学习理论的支持向量机(SVM)分类算法，具有良好的学习效果和泛化能力，但当训练数据集规模较大时，该算法在计算资源方面的要求急剧增长。为了将支持向量机算法扩展到大规模数据集，本文从以下几个方面对该问题进行研究和分析。首先，基于局部学习的思想，本文提出结合聚类算法BIRCH和分类算法SVM以建立局部分类器的大规模分类算法HCLL-SVM。该算法利用BIRCH聚类算法中的聚类特征结构将数据按空间分布划分成多个局部标记簇，然后针对各个局部标记簇，利用SVM分类算法构建多个局部分类器。其次，本文根据测试样本与众多局部分类器的距离，选择最近的分类器进行测试。并通过14组数据集的实验，说明HCLL-SVM算法在一定程度上提高了大规模数据的训练速度和测试速度，且具有较高的测试精度。最后，本文对聚类算法BIRCH中的聚类特征树结构中的分支因子与建树时间，模型训练时间，精度，测试时间之间的关系进行试验，得到如下结论：当分支因子的值在5到10之间变化时，以上衡量指标在各数据集上能得到较好的结果。另外，本文通过在1.5G内存（该内存不足以加载所有数据）下对810万的数据集进行实验，表明HCLL-SVM算法能在有限的系统资源下完成大规模数据的训练。