支持向量机（Support Vector Machines，简称SVM）是V.Vapnik等在20世纪90年代提出的基于统计学习理论（Statistical Learning Theory，SLT）的一种新型机器学习方法。由于其完备的理论基础和优异的性能，该技术已成为机器学习界的研究热点，并在很多领域都得到了成功的应用，如模式识别、数据挖掘、生物信息学等。相对于理论的完善性来说，SVM的算法研究明显滞后，尚有许多问题急需发展和完善。如海量样本下求解过程的冗余问题，训练算法速度慢，对强噪声的敏感问题，多类别分类问题等。这些问题大大制约了SVM在各个领域的进一步应用。特别是对于海量样本的处理，支持向量机在训练速度和训练精度上还有待提高。因此本课题着重研究海量样本下的SVM的训练算法，主要从大规模样本集的约简方法和训练SVM的分段贪婪算法两方面着手，解决海量样本下SVM训练速度和精度不能兼顾的问题。 本文首先对SVM的基本理论进行了介绍，然后对大规模数据集上SVM的训练算法作了系统的研究，并详细研究了流行的SMO算法，接着研究了SVM的分段贪婪算法和处理SVM大规模训练样本集问题的约简算法。在此基础上给出了一种新的SVM分段贪婪算法-YGS-SVMs。本文主要工作包括： （1）系统论述了支持向量机的理论基础及其主要研究内容。 （2）对大规模数据集上SVM的训练算法作了系统的研究，并对其中流行的SMO算法作了深入探讨。 （3）深入研究SVM的分段贪婪算法和SVM大规模训练样本集问题的约简算法。在其基础上提出了一种适用于大规模训练样本集的快速训练算法--基于大规模训练集快速约简的SVM分段贪婪算法。