大规模数据集上非线性支持向量机(支持向量机,SVM)的获取代价过高,而对于线性SVM却存在高效转化算法。的精确性,提出一种基于近似高斯核显式的描述的规模SVM替代方法。首先,定义近似高斯核并建立其与高斯核的关系,推导近似高斯核与高斯核的偏差上界。然后给出近似高斯核对应的再生核希尔伯特空间(再现核希尔伯特空间,RKHS)的显式描述,可以可精确刻画SVM解的结构,增强SVM方法的可解释性。高斯核对应的特征映射,将其作为线性SVM的输入,从而实现了使用线性SVM算法高效地扩展尺度非线性SVM。实验结果表明,所提出的方法能提高非线性SVM的效率,并得到与标准非线性SVM相近的精确性。