从大量历史数据中挖掘出有用信息的可能性很久之前就被人们意识到了。然而应用场景往往产生大量数据,如果先把这些数据存储下来再进行分析,将会耗费大量的资源。尤其是在对实时性要求很高的应用场景中,这更是不可行的。因此,一种通用的方法是把数据预处理后,存储下来用于以后分析。为了利用这些预处理后的数据,一般的策略是将这些数据作为训练数据,训练出理想的模型来对未来数据进行预判分类。支持向量机属于结构风险最小化模型,能够有效的控制过拟合,具有非常高的研究价值。然而由于大量数据上训练支持向量机模型将耗费大量时间,因此如何并行地实现SVM模型一直是一个研究热点。本文针对上述海量数据的预处理和分类问题,提出了一系列解决方案。包括分布式流式计数系统的设计以及适用于大规模训练数据集的支持向量机算法库的开发。首先,本文提出一种并行的流式计数算法,并证明其误差边界和内存之间的关系,确保该算法在保证误差边界的情况下同时具有大规模并行能力。其次,本文基于提出的算法,利用实时计算平台Storm进行开发,最终对系统进行测试。测试表明,本文实现的系统具有很好的并行能力,并且能够满足足够高的吞吐量。最后,本文针对大规模支持向量机的优化问题进行研究,并基于分布式计算平台Spark开发出非线性支持向量机。