数据挖掘是一门从大规模数据中提取有用信息和知识的新兴技术，文本挖掘是数据挖掘中一项重要内容。面对大规模的、高维的数据，如何建立有效的文本挖掘算法是数据挖掘研究的方向之一。围绕以上问题，本文利用支持向量机对文本分类数据挖掘中涉及的若干问题进行了深入研究，主要包括以下几个方面的内容： 通过对支持向量训练速度慢的主要原因进行分析，利用一种预抽取两类样本相对边界的边界向量的FFMVM方法、模糊循环迭代算法，提高支持向量机训练速度。在此基础上，提出了一种基于上述改进的支持向量机的两类文本分类算法，以预抽取的边界向量集合作为初始工作集合，以模糊循环迭代算法对支持向量机进行训练，实验结果表明，与传统方法相比该算法具有更高的效率。 针对目前支持向量机多类分类方法存在的缺点，在一种新的支持向量机多类分类方法基础上提出了一种SVM多类文本分类算法。实验结果表明，此方法与目前认为性能好的DDAGSVM方法相比，需要训练的支持向量机数目少，训练速度快，分类速度快，同时克服了可能出现的不确定分类区域的存在。