1、支持向量機(Support vector maehine，SVM)作為一種新興的統(tǒng)計學習算法，以其優(yōu)秀的理論基礎（結構最小化理論、核空間理論）脫穎而出。它是在統(tǒng)計學習理論基礎上發(fā)展起來的一種通用學習機器，其關鍵的思想是利用核函數(shù)把一個復雜的分類任務通過核函數(shù)映射使之轉化成一個在高維特征空間中構造線性分類超平面的問題。支持向量機由于其優(yōu)秀的學習性能，在分類問題中得到了廣泛的應用。增量學習技術是一種得到廣泛應用的智能化數(shù)據(jù)挖掘與知識發(fā)現(xiàn)技術

2、，它基于歷史的學習結果對新增加的數(shù)據(jù)進行再學習，使得學習具有一定的連續(xù)性。
　　本文的主要工作為:首先，分析了支持向量機的理論基礎、基本概念、要解決的關鍵技術問題以及增量學習的基本概念。隨后，分析了幾種現(xiàn)有的支持向量機增量學習算法，通過分析可知:大部分都沒有充分考慮到新增樣本對初始樣本集中位于支持向量附近的非支持向量的影響，致使一些有用的歷史數(shù)據(jù)過早的被淘汰，從而嚴重影響分類的精度，通過引入邊界支持向量概念，提出了一種基于邊界支持