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。
