支持向量机是一种基于统计学习理论的新一代机器学习技术,已广泛应用于手写数字识别、人脸识别、文本分类、回归预测、时间序列分析等领域。支持向量机的计算复杂度取决于训练样本的个数,所以面对具有大数据量的现实问题时,支持向量机的训练效率低下。根据支持向量机理论,训练出的最优分类超平面只与支持向量有关。大部分情况下训练样本中的支持向量很少,所以在训练前确定一个小范围的边界向量集,使其包括全部的支持向量,用此边界向量集进行训练,则可以在不影响分类精度和泛化性能的前提下显著缩短支持向量机的训练时间。本文在研究总结了边界向量预选算法的基础上,将其大致归纳为两类,一类是基于类中心型的边界向量预选算法,一类是基于NN型的边界向量预选算法。并针对基于类中心型的预选算法只对均匀分布的训练样本预选效果好的缺点,利用数学建模的方法提出一种新的改进算法;针对基于NN型的预选算法预选边界向量集过大或过小的缺点,利用密度聚类的方法进行算法改进。实验表明在不降低泛化精度的前提下,能有效提高边界向量预选的效果,从而加快支持向量机的训练过程。