支持向量机是Vapnik等人提出的一种新的机器学习方法，它基于统计学习理论，借助最优化方法来解决机器学习问题，体现了统计学习理论中的结构风险最小化思想。在实际应用中，需要处理的往往是海量的数据，因此，如何提高支持向量机对大规模数据的处理能力，使支持向量机的应用范围更为广泛，成为目前的一个研究热点。本文针对这个问题主要做了以下几个方面的工作。采用增量学习策略进行支持向量机增量学习，并且针对简单支持向量机增量学习算法没有考虑到非支持向量向支持向量转变的情况，提出一种改进的支持向量机增量学习算法，该算法通过KKT条件有效地处理历史样本，从而提高了简单支持向量机增量学习算法的分类精度。引入支持向量预选取概念，在有效避免预选取失效的同时将增量学习思想与预选取相结合，提出一种基于向量投影的支持向量机增量学习算法。该算法利用支持向量的几何分布特点，采用向量投影的方法，对样本进行预选取，从增量样本中选取最有可能成为支持向量的样本形成边界向量集，它是支持向量集的一个规模较小的扩展集，将其作为新的训练样本集进行增量学习，有效地减少训练样本的数量，提高训练的速度。该算法在UCI的数据库上进行验证，实验结果表明该算法同标准支持向量机训练算法相比，训练速度明显提高，适合处理大规模样本集。