支持向量机是一种十分有效的监督式机器学习方法，被广泛应用于统计分类以及回归分析中。但是，支持向量机面对大规模的训练样本集，依然需要占用庞大的内存和花费很长的时间。针对这两个问题，本文提出一种基于Hadoop平台的分布式支持向量机训练方法。这种方法不仅能够有效整合各个节点并行计算优势解决内存占用大及训练时间过长的问题，还提供了可靠的数据存储和处理能力，可扩展的分布式能力以及高效的负载机制。分布式支持向量机首先把大规模的训练样本集随机切分为份子集，并对每个训练样本子集分配并行训练任务，把样本集中的大量非边界样本剔除，得到支持向量对应的边界样本集。然后，整合这些边界样本集重新切分到份子集，并对每个边界样本子集分配训练任务，得到该子集对应的局部支持向量机。最后通过整合所有局部支持向量机，得到最终的全局支持向量机。实验表明，这种方式能够保证准确率不降低的情况下，在效率上有明显提升。本文结合HOG和LBP特征描述器，在INRIAperson人物检测图像数据集上作特征提取，并在三台实验室机器上搭建小型的Hadoop平台上完成人物检测实验。实验证明，在样本数目为9774个，维度为9975的人物样本集训练过程中，基于Hadoop平台的分布式支持向量机训练时间是单机支持向量机训练时间的15，而准确率只相差了0.1%。