近年来,越来越多的专家与学者致力于数据分类方面的研究。而随着数据维数的不断增多,分类算法的计算复杂度与计算时间都会大大增加,模型参数依靠传统的经验选取或者大范围的网格搜索都已经不能满足要求。因此,本文提出利用基本人工蜂群算法(Artificial bee colony,ABC)对支持向量机(Support vector machine,SVM)参数进行优化的策略,其目的是为了解决支持向量机的模型参数选取依靠传统手段效率太低的问题。首先利用蜂群算法对支持向量机的参数进行寻优,然后对UCI数据库中的样本进行分类,结果证明了利用ABC去优化SVM参数(ABC-SVM)的有效性和可行性。基本的人工蜂群算法对食物源采用逐维搜索的策略,会导致个别维度上出现较优解的食物源由于达到搜索的阈值而被抛弃,出现迂回搜索的现象,降低算法的搜索效率。而对食物源的每一维都进行贪婪搜索,会大大增加算法的计算量。因此提出一种改进的多维搜索策略,先寻求出食物源具有更新价值的维度,再对这些维度进行进一步的搜索。然后用标准测试函数对算法进行验证,发现改进后的算法不但有更快的收敛速度和更高的计算精度,同时也有效地减少了时间花销。利用改进后的算法对支持向量机的参数寻优,并对相同的样本分类以验证结果,发现新算法有更高的分类准确率,与采用全维搜索策略的蜂群算法相比,改进算法的时间花销更少。最后,鉴于人工蜂群算法具有天然的并行性,因此提出对人工蜂群算法并行化处理的思想。对蜂群算法的初始适应度评价、采蜜蜂阶段、观察蜂阶段与侦查蜂阶段进行改进,并与全维搜索的策略相结合。利用测试函数进行仿真测试,验证了采用并行化策略后的蜂群算法的有效性以及需要注意的通信花销问题。然后,将其用于支持向量机的参数寻优,对人体活动数据进行分类。实验结果显示,蜂群算法采用并行化计算能够大大减少时间花销,同时采用全维搜索的策略能够增加算法的收敛速度,使得分类准确率更高,两者结合后得出的改进算法兼顾了两者的优势,具有广阔的应用前景。