支持向量回归(Support Vector Regression,SVR)是模式识别领域一种重要的学习方法，旨在拟合目标数据。因其具有稀疏性，全局最优性且能利用核函数解决非线性问题等特点而受到广泛关注。本文主要针对SVR在大规模数据中学习效率低下的问题，拟采用增量学习的方法来解决。并进一步针对支持向量机算法在增量学习过程中因数据丢失而导致精度下降等问题，展开了深入研究，主要工作如下：（1）基于支持向量回归增量学习（ISVR）算法提出一种L支持向量回归增量学习(LISVR)方式，该方法主要针对因ISVR中支持向量丢失所产生的不利影响，通过不断对支持向量样本加权并及时淘汰非支持向量，增强了支持向量在增量过程中的作用，同时降低了算法时空复杂度。在人工数据集，UCI数据集和机场噪声实际问题中，做了相关测试，验证了该算法的有效性。（2）为保证增量学习过程中，所保留的样本中含有更丰富的信息，故充分挖掘目标数据中样本分布的先验信息，提取出局部密度因子。首先将局部密度信息嵌入到经典支持向量回归中，验证该信息在支持向量回归中的有效性，然后将其嵌入到增量学习中，提出局部密度嵌入的支持向量回归增量学习算法（LDELISVR）。该方法可进一步增强同处于高密度区样本之间的联系，保证算法对非对称数据的有效性。