支持向量机具有良好的泛化性能与学习能力，受到广泛的研究。标准的支持向量机算法是为分类问题而设计的,虽然在处理两类分类问题上支持向量机已经能展示出很好的性能，但是实际中通常会遇到很多多分类问题，如何有效地将支持向量机两分类理论推广到多分类领域是目前的一个热门研究问题。目前，在几种现有的基于支持向量机的多分类方法中，基于支持向量机的二叉树多分类法在解决多分类问题中已经体现出了更好的分类性能及推广能力。另外，一般包括支持向量机在内的相关机器学习算法，都是直接面向样本进行挖掘或学习，当样本及其属性较多时，如何将数据进行约减是一个很有价值的研究。本文首先对支持向量机进行了较为深入的研究，分析了支持向量机从监督学习推广到非监督学习的支持向量机反问题，从而引出最大间隔聚类算法；其次，首次提出“样本体”这一新概念，研究基于样本体的支持向量机在海量数据或大数据中的学习能力，提出基于超球体的支持向量机算法与基于超球体的最大间隔聚类算法的研究问题；最后，在传统的基于支持向量机的二叉树多分类模型上，深入分析了二叉树的结构对分类泛化性与分类精度的重要影响，从最大泛化性出发，以基于超球体的最大间隔聚类算法作为二叉树结构的最优生成策略，从而设计一种基于最大泛化性的二叉树多分类算法。通过仿真实验表明，本文算法在训练时间、测试时间与分类精度上都体现出了更好的性能。