在如今的大数据时代,信息的价值体现在各个方面,随着数据的逐渐积累,各个组织结构都希望能够从这个巨大的信息库中获得可利用的有用的信息,所以数据挖掘在各个领域充当着重要的角色。聚类分析作为数据挖掘的重要任务之一,可以在海量数据中挖掘出对象和对象之间关联的信息。许多科研工作者对其展开深入研究。支持向量聚类作为一种重要的基于轮廓聚类的聚类算法,其相对于其他的聚类算法有很多的优点。其一,通过使用核理论可以处理结构化数据;其二支持向量聚类作为一种无监督学习算法,可以不用预先得知簇的个数,此点可以扩展算法的使用场景;其三,算法对簇的形状和簇的数量没有要求,其可以识别任意形状的簇;其四,支持向量聚类通过引入软边缘常量,可以识别噪声点,消除噪声点对聚类的影响。但是在集群分区阶段的计算量过大,算法的运行时间耗费较高,同时具有随机操作,使算法划分结果容易受到随机操作的影响。此外,支持向量聚类的聚类结果对参数软边缘常量C和核宽度系数q具有较大的依赖性,寻找最优参数较为耗时。本文介绍了一种基于样本集在特征空间的几何性质提出的基于支持向量划分的簇标识方法。其包括了簇球划分和收敛划分两个模型。簇球划分模型是在得到支持向量集在特征空间中的序列之后,应用跳跃函数将支持向量划分,不同簇的支持向量形成的簇球,包裹属于本簇的多数数据点,减少数据点的错误划分;收敛划分模型通过选取在特征空间与支持向量核函数最大的非支持向量点作为类支持向量点,为支持向量划分提供更多的簇信息,将支持向量与类支持向量之间的核函数的均值作为阈值将支持向量划分,后续通过建立初始数组,从簇的边界逐渐收敛进行簇的标记。算法解决了时间复杂度高的问题,并且减少样本点被错误分簇,保证聚类质量。对算法应用模拟数据集进行聚类效果展示,和经典的数据集进行实验仿真。并且与多种算法以不同聚类评价标准进行对比。实验表明,本文提出的算法具有良好的聚类效果。同时测试算法的聚类耗时,实验证明,算法降低了支持向量聚类算法的时间复杂度。