支持向量机(Support Vector Machine, SVM)是当今机器学习中解决分类问题的重要方法之一。基于统计学习理论、最优化算法和核方法的支持向量机具有全局优化、泛化能力强、避免“维数灾难”等优点。目前已成功应用于人脸识别、生物信息、故障诊断、网络安全、文本分类等领域中。支持向量机的优势在于小样本、高维数据的模式识别,面对现今普遍的海量数据,由于占用内存大、训练时间长等缺陷,还有待完善与拓展。本文立足于SVM的理论基础、分析了其几何特点,对在大规模数据中的应用进行了初步的研究。论文通过分析分类超曲面关于支持向量(Support Vectors, SVs)的几何位置结构,提出了分步训练的策略。首先用网格的形式将样本较多的原始数据聚类为较少的数据,同时根据数据分布情况选择核函数及参数,对归类后的数据使用SVM训练得到潜在的支持向量和初步的决策函数,进一步对以上结果再次训练,从而得出最终的决策函数。对于初步训练得出的潜在支持向量或原数据集的标称属性(Nominal Attribute)较多的情况,提出了分段处理的思想,综合局部训练得到的结果给出最终的决策函数。最后通过常用的测试数据,将本文的策略与原有SVM算法在训练速度、准确度和泛化能力方面进行比较,验证了其学习速度和有效性。