支持向量机(SVM)是一种基于统计学习理论的V-C维理论和结构风险最小化的新型机器学习方法,常被应用于分类或回归问题中,由于其良好的学习能力,现已成为业内研究的热点。Jayadeva等人在此基础上提出了双支持向量机(TSVM)方法,对于二分类问题,TSVM的思想是构造两个非平行的超平面,使之分别拟合一类样本而同时远离另一类样本,而对于待测样本分类时,根据其距哪个超平面近就将其归于该类。TSVM对于样本训练速度有了很好的提升,对同等样本训练速度约为传统SVM的四倍,比起传统SVM它具有更好的泛化能力。SVM决策树作为解决多分类问题常用的方法,具有运算速度快,无拒分现象等优点。本文结合TSVM和决策树的优点,提出了一种基于双支持向量机决策树(DTTSVM)的多分类算法。首先定义了表示类与类可分性的类间区分度,其次对所有样本根据区分度度量类间可分性的大小,将可分性最大的样本分成两类,在这两个子类中再分别寻找可分性最高的样本并将其分成两类,如此下去直至不能再分,分类过程中的每次二分类都由双支持向量机分类器来实现,不仅可以尽可能的降低误差累积,而且还有效地提高了训练速度。最后,采用UCI数据库中的测试数据以及LIBSVM工具包进行仿真实验,得出DT-TSVM具有更快的训练速度,并且对于数据规模较大的问题具有更好的分类准确率。