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。但是在实际应用中,需要处理的往往是海量数据或不均衡的小样本数据,因此,如何提高支持向量机对复杂数据的处理能力,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,主要做了如下两个方面的工作:第一,针对分类问题中训练样本分布不均衡,部分类别训练样本个数非常少的问题,提出了一种基于高斯分布的虚拟样本生成方法。该方法依据高斯分布理论,使得生成的虚拟样本在合理性上得到了保障,此外该方法可以充分利用先验知识,适用于多种分类问题,因此适应性得到了增强。结合提出的虚拟样本生成方法,利用支持向量机算法对标准数据库UCI中的鸢尾属植物数据集(Iris data set )以及KDD CUP 99入侵检测数据集进行仿真实验,实验结果表明该方法能充分利用先验知识,生成足够多具有合理标签的虚拟样本,有效的提高分类精度。第二,针对海量数据支持向量机学习算法运行缓慢的问题,通过研究支持向量的分布特性,提出了一种改进基于向量投影的支持向量预选取方法。在线性可分情况下将基于向量投影的支持向量预选取方法中的中心向量改为由Fisher线性判别判别算法求得的最佳投影向量,在非线性可分情况下将基于向量投影的支持向量预选取方法中的特征空间近似中心向量改为特征空间中的真实中心向量。由于选择了更为合理的投影向量,因此在保障分类性能的前提下,该方法能够利用更为少量的边界向量来代替原始样本进行训练,大大减少了训练样本,提高了支持向量机的训练速度。文中给出的仿真实验结果也验证了该方法的有效性和可行性。