支持向量机(Support vector maehine,SVM)作为一种新兴的统计学习算法,以其优秀的理论基础(结构最小化理论、核空间理论)脱颖而出。它是在统计学习理论基础上发展起来的一种通用学习机器,其关键的思想是利用核函数把一个复杂的分类任务通过核函数映射使之转化成一个在高维特征空间中构造线性分类超平面的问题。支持向量机由于其优秀的学习性能,在分类问题中得到了广泛的应用。增量学习技术是一种得到广泛应用的智能化数据挖掘与知识发现技术,它基于历史的学习结果对新增加的数据进行再学习,使得学习具有一定的连续性。本文的主要工作为:首先,分析了支持向量机的理论基础、基本概念、要解决的关键技术问题以及增量学习的基本概念。随后,分析了几种现有的支持向量机增量学习算法,通过分析可知:大部分都没有充分考虑到新增样本对初始样本集中位于支持向量附近的非支持向量的影响,致使一些有用的历史数据过早的被淘汰,从而严重影响分类的精度,通过引入边界支持向量概念,提出了一种基于边界支持向量的增量学习算法,实验结果表明,基于边界支持向量的增量学习SVM算法在训练速度上及训练精度上有一定的提高。另外,针对支持向量机的多分类问题进行了分析研究,重点对基于超球结构的多分类算法进行分析,得出了一种改进的多分类增量学习算法。最后对新的算法在文本分类中的应用做了设计,验证了本文算法在实际应用中的可行性。