针对I-SVM算法在文本分类中训练时间较长和分类效率低的问题，提出了一种基于支持向量（SV）阀值控制的优化I-SVM算法（TI-SVM）。由于在增量训练样本集中存在大量的非SV，TI-SVM算法根据历史训练模型和KKT条件对新增样本集和历史样本集进行预处理，剔除大部分的非SV，根据预处理后的样本集进行训练新的SVM模型，利用文本的相似度和预设SV的阀值对模型中的冗余SV进一步处理，以提高分类性能。经过对一组客户新闻分类的实验表明，该算法在保证分类精度的同时有效提高了模型的训练和分类效率。