近年来,随着计算机网络技术、数据存储技术的迅猛发展,各行业数据量都呈现爆发式的增长,我们进入了大数据时代。如何高效处理这些海量数据,并从中挖掘潜在价值信息,是近年来一直热议的话题,而数据挖掘技术成为人们探讨解决此话题的主流方向。分类算法是常用的数据挖掘技术之一,在分类算法中,支持向量机（Support Vector Machine,SVM）由于具有良好的泛化能力、很好的克服维数灾难以及非线性解决问题的能力,成为了热门研究。但传统的SVM只适用于解决小样本问题,在处理大数据集时,其计算复杂度是呈指数级增长的,而并行化技术的出现解决了此难题。因此,研究并行化SVM有重要价值和意义。目前,已经提出的很多并行SVM算法都一定程度的提高了算法效能,但是依然有以下几个主要缺点:不能大幅度减少冗余数据给算法带来的计算复杂度过高的不利影响;不能够快速寻找到算法的最优参数;在并行化支持向量机时,不能有效解决负载不均衡;不能高效训练SVM多分类模型。基于此,主要做了以下工作:（1）一种基于聚类算法和鲸鱼优化算法的并行支持向量机算法——MR-KWSVM（Support Vector Machine Algorithm using K-means Clustering and Whale Optimization Algorithm based on Map Reduce）。该算法首先提出KF（K-means and Fisher,KF）策略来删减冗余数据,利用删减冗余数据后的数据集训练SVM,降低了SVM对冗余数据的敏感性;其次提出了基于非线性收敛因子和自适应惯性权重的鲸鱼智能优化算法（The Improved Whale Optimization Algorithm based on Nonlinear convergence factor and Self-Adaptive Inertia Weight,IW-BNAW）,利用“IW-BNAW”算法获取SVM的最优参数,提高支持向量机的参数寻优能力;最后在利用Map Reduce构造并行SVM过程中,提出时间反馈策略（Time Feedback Strategy,TFB）用于reduce节点的负载调度,提高集群的并行效率,实现高并行的SVM。实验证明了MR-KWSVM良好的算法性能。（2）一种基于K-means和平衡二叉树的并行多分类SVM算法——PKBBTSVM（Parallel Multi-Class SVM Algorithm Based on K-means and Balanced Binary Tree）。该算法首先根据多类别数据集中冗余数据的分布特点提出DKR策略（Data Reduction Strategy Based on K-means and Sample Redundancy,DKR）,该策略加快了多分类SVM的训练速度;其次提出了为构建多分类SVM的子分类器,合理划分数据集的BSD策略（Non-leaf node data partitioning strategy based on balanced binary tree and sample Divisibility,BSD）,最后在Map Reduce上实现多分类SVM的并行化。实验证明了该算法在处理多分类数据集时有更优的表现。