随着信息数字化的快速发展,人类已经开始迈入“大数据时代”,大数据分析已经开始在电子商务、金融证券和医疗卫生等行业崭露头角,为人们带来了巨大的经济效益以及社会效益。分类是一种重要的数据挖掘分析方法,这种分析有利于更好地全面理解数据。支持向量机被广泛的应用到了分类问题上,但其惩罚参数和核参数的选择对分类性能有很大的影响,因此对于不同分类问题需要对支持向量机的参数进行优化。论文以提高支持向量机的分类性能为目标,分析支持向量机和不同优化算法的特性,探索最佳的支持向量机参数优化算法,以促进数据分析的理论和应用研究。首先,研究了网格搜索算法、梯度下降法、群智能算法等常用支持向量机参数选取方法的优缺点,明确将群智能算法作为优化支持向量机的主要研究算法。其次,详细分析对比了网格搜索算法和群智能算法中的遗传算法、粒子群算法、量子粒子群算法等算法优化支持向量机的结果,表明粒子群算法和量子粒子群算法优化支持向量机的结果较好。最后,研究分析了量子粒子群算法的优缺点,将双中心思想引入到量子粒子群算法中,提出了改进的量子粒子群算法。通过仿真实验,证明了改进的量子粒子群算法优化支持向量机参数更具优越性。