近年来支持向量机取得了长足的发展,并广泛应用到模式识别、回归分析、信号处理、函数估计等诸多领域,但仍有待进一步的研究和改善。训练支持向量机可以归结为求解一个凸二次规划问题,而求解凸二次规划的计算时间和对计算机内存的需求是随着样本数量的增加而显著增加的,因此一些传统的求解凸二次规划的方法对于学习大规模的训练样本往往会失效。针对这个问题,本文提出了一种动态存储的支持向量机算法。该算法采用有效集法求解凸二次规划,并针对所要求解凸二次规划的特点,减小了有效集法中要求解的仅含有等式约束凸二次规划的规模,从而很大程度上减小了求解凸二次规划的计算时间;在对计算机内存的需求方面,该算法采用了一种动态存储核函数矩阵的方法,很大程度上降低了算法对计算机内存的需求,因此该算法能够处理一些大规模的训练数据。通过数值实验表明该算法与Matlab的SVM工具包中的算法相比,无论是在对计算机内存的需求还是计算时间上都有优势。此外,本文提出的算法在求解凸二次规划时要首先确定初始可行点,为此,本文提出了一种初始可行点的确定方法,进一步加快了学习的速度。近几年,在线学习方法的应用越来越广泛。根据动态存储的支持向量机算法,本文提出了一种在线SVM算法,并根据支持向量的空间分布特点,提出了一种遗忘准则,对在线SVM算法进行了改进,数值实验结果表明算法是有效的。