支持向量机(SVM)是由Vapnik在统计学习理论的基础上提出的一个新的通用的机器学习方法。由于在学习问题中出色的泛化性能,支持向量机已经引起广泛关注并应用于多个领域当中,例如:手写字体数字识别、网页分类、人脸识别。然而,支持向量机作为一种新的技术,还存在许多开放性的问题值得进一步的认真研究。本文针对传统支持向量机在解决大规模或超大规模训练问题时计算时间、内存占用和计算精度等方面的不足,提出了一种基于自适应步长的支持向量机快速训练算法;利用人工免疫算法进行支持向量机模型选择,从而提高了支持向量机分类的正确性;针对当两类样本数量相差悬殊时,会引起支持向量机分类能力下降的问题,提出了一种非平衡数据分类算法,该算法能够有效提高支持向量机对非均衡分布数据分类的正确性。上述算法在UCI标准数据集上进行的实验证明是可行的。最后一节,论文总结主要工作并对未来工作进行展望。