数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程，被信息产业界认为是数据库系统最重要的前沿之一，是信息产业最有前途的交叉学科。　　 支持向量机在解决小样本、非线性以及高维模式识别问题中表现出许多特有的优势，然而，数据挖掘经常面对的却是海量的数据。为了解决样本点过多导致训练速度太慢的问题，本文做了如下创新性工作：　　 (1)从减小训练集规模的角度出发，使用聚类技术来保持整个数据的分布特性，同时大幅减小训练数据集规模；　　 (2)对聚类结果进行边缘提取，保留分类边界附近的支持向量；　　 (3)使用边缘提取和聚类算法选择的样本点重构训练数据集，对新的数据集使用支持向量机方法进行分类。由于重建的训练数据集规模较小，所以训练程序就快了很多，同时也保证了分类的精确度。　　 文章共提出了两个新的算法：　　 (1)自适应约束模糊C均值聚类算法(ACFCM)，它有效的克服了经典的C均值算法存在的需要预先知道初始聚类数目以及对初始聚类中心过分依赖的问题；　　 (2)基于聚类技术的快速支持向量机算法(FSVM)，它在保证了分类精度的情况下，大大缩减了训练数据的规模，从而减少了训练时间，这就确保了支持向量机在数据挖掘这种大数据集情况下的有效应用。　　 文章对新的算法进行了仿真，通过和传统支持向量机算法进行对比，证实了快速支持向量机算法在保证了分类精度的情况下，大大缩减了训练数据的规模，从而减少了训练时间，这就确保了支持向量机在数据挖掘这种大数据集情况下的实用性。