近几年,基于数据的机器学习问题的研究是现代智能技术的一个重要方面,而支撑向量机(SVM)的分类方法又是机器学习问题研究中最有影响的领域之一,它与其他分类方法相比优势在于其具有较高的精度,但目前的SVM各种分类算法对大规模数据问题的处理能力不佳;而许多实际问题都是大规模的数据处理问题.因此,该文主要是改进现有的支撑向量机训练算法从而使得SVM能够较好地处理大规模的数据.在该论文中,我们首先对SVM的理论基础-统计学习理论作了一个概述.然后,简单介绍了SVM的构造过程及其一些基本概念.接着,回顾了一些经典的SVM分类算法,由于该文涉及到的改进算法都是在SMO算法的基础上进行的,因而这部分重点介绍了SMO算法.最后,详细介绍了该文作者提出的三种分类算法,它们分别是基于线性规划的支撑向量机学习算法(LPSVM)和基于几何模型的模糊支撑向量机(FSVMs)算法(GMFSVM)以及用于并行计算的SVM学习算法.其中,第一个算法(LPSVM)能够对原始数据进行大量的约简,将许多无用的数据过滤掉,从而降低了运算的工作量;第二个算法(GMFSVM)通过对训练数据赋以不同的模糊度(Fuzzy membership)用以区分各个数据对建立超平面的贡献率,进一步提高算法的分类正确率;另一个算法主要是使用分块的方法将原始数据分成好几块,并将这些数据分配给处于并行环境中的各台机器,分别对它们进行训练学习,通过这种并行计算的方法来提高整体的运算效率.