支持向量机(Support Vector Machine,SVM)是在20世纪90年代由Vapnik提出的,最初的支持向量机是为了解决小样本的数据,经过多年的发展,支持向量机在回归分析领域被广泛应用,并被用在了人脸识别、手写数字分类等特征识别领域。但是,随着科技的发展,传统的支持向量机已经无法满足当前大规模数据量的分类,为了更好的适用于大规模的数据分类,支持向量机增量学习算法应运而生。支持向量机增量学习通过不断加入新的样本集,不断的调整支持向量集和分类超平面,能够更好的提取样本集的特征集,使得分类效果更好,但是在增量学习的过程中会存在以下问题,由于支持向量的数量会随着增量样本的增加而增加,所以,会导致分类器在分类的时候有误差;如果舍弃部分对分类超平面没有影响的向量,在此后的训练中,这部分向量可能会成为支持向量,这样也会对分类效果产生影响。本文采用基于模糊C均值聚类和中心密度的支持向量机增量学习算法,利用模糊C均值聚类判定支持向量,得出精选支持向量集;利用中心密度比值判定非支持向量得出精选非支持向量集。分别将原样本中构建分类超平面得出的支持向量集加上增量样本中的支持向量集构建分类器,将原样本中的精选支持向量集和增量学习样本中的支持向量集,将原样本中的支持向量集和精选非支持向量集加上增量样本中的精选支持向量集和精选非支持向量集构建分类器,将原样本中的精选支持向量集和精选非支持向量集加上新增样本中的精选支持向量集和精选非支持向量集构建分类器。通过对以上四种情况分类效率和分类效果的对比,研究非支持向量对支持向量增量学习鲁棒性的影响,并最终得出本论文的结论。