支持向量机方法已成为数据挖掘中不可缺少的一项技术,它成为近年来数据挖掘技术的新热点。现有的支持向量机大多速度较慢,无法适应实际应用。2005年Tsang提出的核心向量机(Core Vector Machine)算法,其最显著的特点是对支持向量机中最花费存储空间和训练时间的二次规划问题(Quadratic programming,QP)进行改进,使用最小闭包球(Minimum Enclosing Ball,MEB)来解决,从而缩短了求解二次规划问题的时间。本文在使用核心向量机(Core Vector Machine, CVM)来解决入侵检测和航班延误预警这两个实际应用过程中,对核心向量机做如下改进:针对入侵检测中样本数据集过于庞大,学习速度过慢且未充分利用先验知识等问题,提出了基于中心约束最小闭包球的加权二类算法,即首先利用先验知识确定一种新的基于相对紧密度的方法计算样本权值并将其融合到二类支持向量机中,然后转化为中心约束的最小闭包球进行训练。实验结果表明,该方法比现有的支持向量机具有更合理的分类面并且训练速度得到明显提高。目前支持向量机分类问题,大多只针对两类问题进行处理而不能满足实际应用的需要,提出了基于中心约束最小闭包球的加权多类算法。该方法比多类核心向量机有更高的精度,比支持向量机有更快的训练速度。针对排列问题,提出了基于最小闭包球的排列算法,即首先给出了基于最大化间隔原则的排列算法的原始表达形式,然后归结为最小闭包球问题。经理论分析,该算法的时间复杂度与样本集大小成线性关系,空间复杂度与样本大小无关,而且比支持向量机的排列算法有更快的训练速度。