对支持向量机的大规模训练问题进行了深入研究，提出一种类似SMO的块增量算法。该算法利用increase和decrease两个过程依次对每个输入数据块进行学习，避免了传统支持向量机学习算法在大规模数据集情况下急剧增大的计算开销。理论分析表明新算法能够收敛到近似最优解。基于KDD数据集的实验结果表明，该算法能够获得接近线性的训练速率，且泛化性能和支持向量数目与LIBSVM方法的结果接近。