支持向量机(Support Vector Machine,SVM)作为一种基于统计学习理论的新的机器学习方法,克服了神经网络方法解不稳定、推广性差的缺点。目前,SVM已经成为机器学习领域的研究热点。传统SVM是针对两类分类问题,而实际问题大多是多分类的。如何有效地解决多分类问题,是近几年研究的重点之一。基于二叉树的SVM多分类算法已被广泛采用,但不同的二叉树结构对SVM分类器的性能影响很大。针对基于二叉树的SVM多分类算法在时间复杂度和分类效果上的不足,本文提出一种完全二叉树(Full Binary Tree,FBT)的改进球结构SVM多分类算法。该算法考虑不平衡样本的分类情况,利用改进的球结构SVM在提高分类精度的同时,建立结构合理的完全二叉树,将多类问题转化为一系列的二分类问题,二叉树的每个中间结点代表一个分类器,同一层的分类器能并行工作,从而可以提高训练和分类的速度。通过理论分析和实例验证,并且与其他多类分类算法相比较,该算法有令人满意的分类效果。随着样本数量的增加,传统的SVM缺乏对增量学习的支持,需要所有的训练样本都参与训练,因此训练速度会明显减慢。针对球结构SVM增量学习算法在训练时间和分类精度上的不足,本文提出一种改进的球结构SVM多分类增量学习算法。该算法在FBT的改进球结构SVM多分类算法的基础上,分析球结构SVM分类器的KKT条件,分析新增样本的加入对原来支持向量集的影响,将新增样本集中部分样本和原始训练集中的支持向量以及分布在球体一定范围内的样本合并做为新的训练集,完成分类器的重构。在UCI标准数据集上进行测试,与球结构SVM增量学习算法相比,该算法具有较短的训练时间和较高的分类准确率。