支持向量机(SVM)是在统计学习理论上的基础上发展起来的新一代学习算法，Vapnik在1992年将其介绍进入机器学习领域之后受到了广泛的关注。SVM在20世纪90年代中后期得到了全面深入的发展，现在成为机器学习和数据挖掘领域的标准技术。它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术。本文在介绍支持向量机基本算法及其变形的基础上，主要研究求解大规模问题的两种方法：一种是支持向量聚类技术，另一种是拉格朗日减量学习算法。　　支持向量聚类技术(SVC)主要有三个步骤：先通过解一个优化问题的对偶问题来找出一个最小超平面；其次通过给所有点加以分配以确认该点所在的类；最后需对参数进行调整。第一步对偶问题的规模就是输入数据的规模，它往往是整个运算的瓶颈，但问题的解仅仅依赖于输入空间的支持向量，其他的输入对结果没有任何影响却大幅度的增加了聚类的复杂性。本文基于R*-tree数据结构做出数据预处理，避免所有的样本都参与*训练，缩小样本空间，从而大大提高训练速度。　　本文对拉格朗日支持向量机(LSVM)减量算法求逆循环做出改进，利用上一矩阵求逆的结果对矩阵变换，根据原算法矩阵特性避免直接求逆而直接算得下一矩阵的逆，将这种方法在LSVM加以实现，通过数值实验得到比原算法更优秀的结果。