V.N.Vapnik等人提出的支持向量机算法（Support Vector Machine，SVM）一种依赖于统计学习理论发展而来的机器学习算法，它不仅能够有效的解决小样本、高维数的问题，特别是针对一些非线性问题的求解也有了惊人的效果，从而被普遍应用于模式识别的各个领域，如图形图像检测、文本分析及数字验证等。即使SVM在分类学习上崭露头角，但其缺陷仍旧存在，比如：其所需的计算量大，计算速度缓慢以及对参数的选择依赖经验等，这些缺点抑制了SVM方法在大规模实际应用中的成功。因此，SVM的新方向因在于保证算法高精度低损失的情况下有针对性的提取目标支持向量。为了提高支持向量机的训练效率，本文首先依托样本的几何特征分析，构造了提取训练集中的支持向量的两种算法，分别为BD-SVM（Based on Distance）算法及BS-SVM（Based on the Similarity）算法。其次采用两种算法针对较大样本数据集进行了仿真实验，并与标准的SVM作了比较，结果表明，在保持分类精度不变的条件下，此算法大大提高了训练的效率，是一种行之有效的学习算法。