现今社会,随着计算机技术的高速发展,互联网应用的不断普及,社交工具的快速发展,产生了大量的信息数据。面对这些互联网以及企业存储的大规模数据,传统单机模式的数据分析方法由于单机计算能力的不足,难以处理和分析超大规模的数据,对于大规模数据集进行处理,并行处理是一种提高数据处理的有效方法,基于Hadoop的并行存储处理数据是目前处理大规模数据集的一种可行的方案。支持向量(Support Vector Machine, SVM)是数据挖掘中基于统计学习的分类算法,它是基于结构风险最小化原理,解决了局部最优以及维数灾难问题,但SVM无法适应于大样本系统,在对大数据进行处理时,训练速度较慢。本文在深入研究了支持向量机方法的基础上,提出了基于MapReduce机制的并行支持向量机方法。根据Hadoop平台MapReduce实现机制的特点,采用类似级联SVM的方法对训练数据进行训练处理。本文所提出的并行支持向量机方法,首先对数据集进行分块处理,使得支持向量机训练集各个类别的数据能够均匀的分布在各个小的数据块中,避免在某些极端情况下训练支持向量机得不到训练结果的情况,分块后,通过级联迭代的方式逐层对每个数据块进行并行SVM训练,最终得到训练模型。在实现了并行支持向量机的基础上,结合Hadoop的HDFS的存储特点和MapReduce计算特点,同时根据SVM训练算法的相应运算特点,对并行支持向量机方法的合理性、正确性、有效性都给出了证明和实验验证,同时将实现的并行支持向量机算法应用到实际数据挖掘项目中,实现基于大规模数据集的支持向量机的分类和预测功能。