支持向量机(SVM)是由Vapnik与其合作者提出的,它是基于统计学习理论的一门新兴学科,是统计学习理论的VC维理论和结构风险最小化理论的具体实现。SVM主要解决小样本问题,在模型的复杂度和学习能力之间寻求最佳折衷,目的在于获得最好的泛化能力。SVM算法成功应用于很多领域,但是在实际应用中也显现出一些缺点,如计算量大,速度慢,依赖经验选择参数等,其中速度问题在很大程度上限制了SVM的应用,成为SVM方法在大规模实用中受到限制。因此在保证分类精度变化不大的情况下,加快支持向量机的训练速度对SVM学习的研究具有重要的理论意义和使用价值。本文主要的研究工作是:针对支持向量机训练速度慢的问题,在现有支持向量机加速训练算法的基础上,寻找一种新的SVM加速训练算法。SVM训练速度慢的主要原因是大量的非支持向量参与训练过程,从而进行了大量的二次规划计算,导致分类计算量大、分类速度慢。基于此理论,在本篇文章中,我们首先提出了一种算法:一种基于KKT条件的SVM分块训练算法,它通过分块训练来减小二次规划问题的规模,并利用KKT条件来保留可能的支持向量集,从而保证了在分类精度变化不大的情况下,加快了SVM的训练速度。基于此算法,我们又提出了一种加速算法:一种基于KKT条件的SVM加速训练算法,它在分块学习之前,对训练集进行去样例处理,首先去掉那些与决策函数建立无关的向量,然后再进行分块学习,从而加速SVM的训练。理论分析和仿真实验都证明了该算法的有效性。