始于上世纪60年代的支持向量机(SVM)已经在生产、经济、科学和工程活动中得到广泛的应用,并在其中发挥着重要的作用,所以越来越受到研究领域的重视。其种类很多,包括标准支持向量机、最小二乘支持向量机以及本文研究的ν-SVM等等。由于所有的SVM最终要解决的问题都是要求解一个大规模的二次规划问题,当样本较多时,计算起来相当复杂和费时,所以就需要找到一个好的算法来提高计算速度。本文研究快速求解ν-SVM的算法:块算法和分解算法以及两种方法的结合算法。本文首先给出了标准SVM的块算法,然后将该算法推广到了ν-SVM,鉴于块算法工作集会越来越大,需要存储的空间也很大,本文接着介绍了SVM的分解算法,并将其推广到ν-SVM中。分解算法将大规模二次规划分解成若干小的子规划,通过寻找子规划的最优解从而得到全局最优解。分解算法克服了块算法工作集越来越大的缺点,有效的解决了存储空间过大的问题,但是迭代次数太多的话又会影响训练时间。最后本文采用了结合二者长处的算法,并结合ν-SVM的优点形成了一个效果令人更加满意的新的基于块算法和分解算法ν-SVM的结合算法。通过大量实验,我们对实验分类效果、精度以及实验时间做系统对比分析后得出结论:无论在有效性方面还是训练时间上都比原有其它算法有了很大的改善。