随着大数据时代的到来,庞大的数据量给人们带来无限商机,也引起了学术界、企业界及政府机构的高度重视。但数据的复杂性和多样性也导致数据价值密度不高,冗余数据较多等问题。如何从庞大的数据集中提取有效信息以辅助数据分析已成为数据挖掘和机器学习领域研究的焦点。数据挖掘的一个重要研究内容是特征选择和特征提取。其中,主成分分析算法是一种常见的特征提取方法,它通过计算协方差达到特征提取的目的。支持向量机最初是一种用于对数据进行类别划分和预测的机器学习算法,通过在一个高维空间中寻找一个超平面,使得分布于超平面同一侧的数据尽可能属于同一个类别。本文通过对支持向量机算法做深入研究后,发现支持向量机算法也可以被用于特征提取。借鉴主成分分析算法中的旋转思想,本文提出了一种基于支持向量机、空间旋转与坐标投影的特征提取方法；然后用皮尔森相关系数验证单个特征的有效性；最后使用主流分类器验证所提取特征的有效性。实验结果表明,本算法在样本集上提取到的前3个特征与分类标签均有显著的相关性,而第3个以后的特征与类标签的相关性极弱。在不同分类器的分类结果中,当使用经旋转空间特征提取算法处理后的特征时,分类结果在77%的样本集上获得了比当使用PCA算法处理后的特征时更高的预测正确率,在超过88%的样本集上获得了比直接使用源数据时更高的预测正确率；特别是当使用朴素贝叶斯算法时,在本算法处理后的特征上比直接在源数据上正确率高出近14%；当使用单层决策树时,在本算法处理后的特征上比在经PCA处理后的特征上预测正确率高出近10%。