支持向量机是建立在统计学习理论的VC维理论和结构风险最小化原理的基础上,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好推广能力的学习机。支持向量机在解决小样本、非线性及高维模式识别问题中表现出良好的特性,在模式识别和机器学习领域得到了广泛的应用。支持向量机对分类问题的求解过程相当于解一个线性约束的二次规划问题,求解的变量个数与训练样本数相等,且需要计算和存储的核矩阵大小与训练样本数的平方相关。随着样本数目的增多,经典的求解二次规划问题的算法不再适用。目前,对大规模分类问题的支持向量机训练算法研究是支持向量机领域中的一个热点。 本文针对大规模二分类问题,基于数据分割和集成学习策略,提出了一种快速支持向量机学习算法。其主要思想是：首先对数据集进行预处理,自动将正负类分别聚成若干子簇；然后对两两组合的正负子簇用SMO算法进行交叉学习,得到多个基本分类器；最后对这些基本分类器进行集成学习。在UCI的5个数据集上的实验表明,与SMO学习算法相比,这种基于数据分割的训练策略在精度几乎没有损失的情况下显著地提高了训练速度。