支持向量机(SVM)是机器学习领域一种非常重要的分类算法,它的出现是以统计学习理论为基础的。由于其良好的泛化能力,使得这种分类方法在很多领域都有应用。但是时间复杂度高的缺点一直是困扰这种优秀的分类器进一步发展的原因。支持向量机反问题的提出是希望作为一种启发式而产生一种有更强泛化能力的决策树,其本质是如何将一个事例集分为两部分,才能使这两部分之间的间隔最大。但是惊人的时间复杂度使得这种算法很难应用到具有一定规模的数据集上。本课题针对如何提高该算法的求解效率做了有意义的探索。本文在深入分析支持向量机反问题求解过程的基础上,提出了一种基于聚类的支持向量机反问题求解算法。首先对支持向量机反问题高时间复杂度的原因进行了探讨,发现主要原因是需要枚举出所有可能的划分。然后,通过分析核聚类的特点,发现核聚类对于减少支持向量机反问题的时间复杂度很有帮助,提出了先聚类再求反问题的策略：用核聚类算法对数据进行预处理,把数据聚成有限数量的几簇,在簇之间做划分,取代了原有的在所有点之问做划分的枚举算法。最后,给出了本文算法的实现过程及其实验结果,并与用K-means聚类方法作为数据预处理的方法做了比较,测试数据表明该算法可行、有效。