近年来，随着图形处理器(Graphic Processor Unit，GPU)的计算能力的增强，其主要用途由图形渲染过渡到通用计算方面，GPU的定位也逐渐演变为具有众核架构的通用处理器。在现今以主核心辅以协处理器模式的CPU-GPU异构并行系统中，兼顾了CPU与GPU在通用计算方面不同的优势，提供了一种优秀的程序设计思路与系统组成方法。基于CPU-GPU异构协同环境的集群作为一种有效的提供并行计算资源的途径，已经得到了科学及工程中计算模拟、海量数据处理等研究领域的广泛应用。　　支持向量机(Support Vector Machine，SVM)是一种广泛应用于统计分类以及回归分析的监督学习方法，是当今使用机器学习解决分类问题的重要途径。支持向量机基于结构风险最小化原理，具有全局优化、泛化能力强等优点，已成功应用于人脸识别、文本分类、生物信息学等研究领域。SVM的训练实质上是一个带有约束条件的凸二次优化问题，可以利用原-对偶内点法(Primal-DualInternal Point Method，PD-IPM)对其进行求解。基于内点法的支持向量机在解决小样本、高维数据的模式识别领域具有特有的优势，但是，面对如今庞大的海量数据，占用内存大，训练时间过长的缺点日趋明显，还有待完善与拓展。　　针对大规模SVM训练存在的内存需求大，运行时间过长的问题，本文提出一种基于CPU-GPU异构协同环境下的快速大规模SVM训练方法(CGC-SVM)。首先，利用GPU对于计算密集型问题高性能的处理特性，通过使用CUDA语言和NVIDIA提供的CUBLAS库，对IPM算法中计算密集部分进行了算法优化。其次，针对GPU提供数据存储空间不足的问题，提出使用主机端页锁定内存进行数据存储并使GPU线程直接访问的方式，扩大了GPU可访问存储容量，使CPU/GPU两端共享数据存储空间成为可能。再次，为了解决使用页锁定内存技术带来的带宽与计算性能的损失，提出了基于分块流水机制的CPU-GPU协同SYRK实现。最后，利用MPI+Multi-threads+CUDA(MMC)编程模型将实现扩展至集群，进一步降低了针对于大规模数据集的SVM训练的单一节点的内存需求。在千兆网连接的四节点GPU集群系统环境下，利用不同规模的数据集adult、ijcnn1、covtypes、rcv1、epsilon、url进行实验。结果表明，CGC-SVM在满足精度要求的同时，能够在较大规模的的数据集上获得最高10倍于单纯利用CPU进行SVM训练的性能，在存储、计算及可扩展性上均展现了出色的性能。此外，本文所提出的基于CPU-GPU系统环境的SYRK实现，与单纯利用CUBLAS接口实现的SYRK相比，扩大了数倍的可计算规模，并且在充分利用节点计算资源的同时，取得了更好的计算性能。