对分布式数据流的分析与挖掘正与日俱增地在众多领域变得十分重要,如网络流分析和金融交易分析等。在分布式环境中,将所有数据都传输到一个节点进行处理是不现实的;更加合理的方法是各个局部节点从数据中提取的最具代表性的精华部分,进而基于这些精华部分整合学习成为全局模型。　　 本文分析了支持向量机(SVM)在分布式环境下进行模型表示和集成的利弊,支持向量的核心作用及其在模型集成时带来的问题和风险,以及在不同分布式结构下具体的实现方法。针对分布式环境下数据分析模型集成的问题和特点,基于支持向量机理论和支持向量数据描述(SVDD)算法,本文提出了一种基于支持向量机理论的支持向量数据描述外壳算法(SVDDS),构造的外壳根据数据的分布形态,仅包含支持向量以及向内部延伸一定厚度的区域,实现了无需修改支持向量机算法即可适用于分布式环境下的全局模型。　　 本算法在描述数据的外围轮廓的同时,通过控制系统的参数,保留轮廓以内的潜在支持向量,去除对未来的模型集成没有影响的数据,构成描述数据特性的有一定厚度的潜在支持向量的超球壳。它平衡了模型准确性与潜在支持向量数量,权衡了全局模型集成的风险与总体传输负载,达到了用尽量少的数据准确表达模型,从整体上降低了未来的模型集成的风险和总体传输负载的目的。　　 本算法适用于在众多典型分布式结构下进行模型集成。对典型情况的比较性实验表明,该算法能在较好保持全局精确度的同时,显著地降低总体传输负载。