随着互联网的飞速发展,人工智能和数据挖掘成为了新的研究热点和商业热点。在众多的数据挖掘算法中,支持向量机因为其具有理论完备、过拟合较少等优势,被人们应用到了各个领域。根据专家学者们不断深入的研究,发现支持向量机存在着的很多优化和改进的空间。本文主要对支持向量机现存的两个缺点进行深入研究,其一是针对支持向量机的参数优化方面;其二是对大规模数据集训练时间过长的问题,在Cascade SVM的基础上进行改进。本文主要内容如下:(1)从SVM参数优化的角度,在标准遗传算法优化SVM参数(GA-SVM)的基础上,提出了基于多种群遗传算法对SVM的参数优化(MPGA-SVM),突破了简单遗传算法的演化框架,引入多个种群进行优化搜索的同时还保证了算法全局搜索能力和局部搜索能力的平衡。实验证明与GA-SVM相比,MPGA-SVM具有较好的收敛效果和分类精度。(2)本文还提出了一种数学优化算法和遗传算法结合的鲍威尔遗传算法(PowellGA-SVM),将以往的乱序的参数优化变得有方向性。使其既能够继承遗传算法在全局搜索上的优势,也同时具备鲍威尔算法较强的局部搜索能力。实验证明,与GA-SVM相比,Powell-GA-SVM也具有较好的收敛效果和分类精度,而且分类的精度和收敛的效果是这三个参数优化算法中最好的。(3)从联级支持向量机(Cascade SVM)的角度,我们在支持向量机面对大样本数据下训练时间的问题上进行了研究。针对Cascade SVM后面层级对筛选支持向量贡献度不高的问题,提出了一种与集成学习结合的算法(Vote Cascade SVM),本文还对Cascade SVM相关改进算法进行复现,然后在大量实验中进行对比。通过和5个基准算法对比,发现Vote Cascade SVM在分类精度和训练时间方面拥有较大的优势,而且这样的优势是随着数据规模越大越明显。