21世纪,信息量以几何级数的飞快速度的向上增长。而作为个人,要想从海量的信息中快速、有效的查找我们想要的信息,难度可想而知。在此迫切需求之下,文本自动分类技术应运而生。该技术是基于文本自带的信息进行分类的技术,是由计算机根据建立的模型自动对文本分类的过程。文本分类过程中,面对譬如文本向量稀疏性大、维数高、特征之间具有较大的相关性等问题,SVM都有针对性的解决方法。因此,SVM在文本分类过程的应用中的潜力是无限的,在现实领域中的应用也得到了大力的提倡。正如辩证法中所说的:任何事物都是对立统一的整体。SVM在文本分类中应用也肯定不会是一帆风顺的。现在随着SVM在文本分类中的应用领域不断的扩展和深入,出现了许多至今都尚未解决的新课题。本文就是从降低文本分类过程中文本向量数目、提高分类效率以及准确率等角度出发,来加快建模支持向量机分类的速度。提出了一种改进的基于密度聚类的方法提取训练样本数据集中对分类起决定性作用的支持向量集作为新的训练样本集来进行分类器建模。