支持向量机作为数据挖掘十大经典算法之一,能在理论上解出全局最优解,在解决小规模、非线性及高维度数据问题中效果显著,至今仍广受学术界和工业界的关注。在实际使用过程中,支持向量机中一个关键的问题是需要人工选定模型超参数,该选择对模型效果影响很大。常用的参数选择算法是网格搜索,但执行效率比较低。此外,在参数选择中常常需要评估不同参数下支持向量机模型的优劣。常用的模型选择算法是交叉验证,然而针对支持向量机的交叉验证过程比较耗时。为此,本文针对支持向量机的模型选择和参数选择过程分别提出了对应的优化算法。针对模型选择过程,我们提出了优化交叉验证算法的Alpha Seeding算法。针对参数选择过程,我们提出了优化网格搜索算法的Warm Start算法。具体说来文本的主要工作包括如下五点:1)本文对支持向量机的基础知识和理论进行了详细介绍,并对已有的基于支持向量机的模型选择和参数选择算法做了整理和分析。2)提出了支持向量机模型选择的Alpha Seeding算法,并在此算法基础上设计了三个不同的优化策略,即文中提到的ATO,MIR和SIR。3)提出了支持向量机参数选择的Warm Start算法,并在此算法基础上设计了OVA和PUA两种不同的优化策略,为了进一步加速参数选择过程,我们实现了WarmStart的GPU版本。4)对提出的Alpha Seeding算法和Warm Start算法做了一定的理论分析,说明算法的科学合理性。5)最后,通过设计多组对比实验,在算法效率、迭代次数、能处理的数据规模等角度证实了Alpha Seeding和Warm Start算法的可用性和有效性。