La technique des machines à vecteurs supports (SVM) est une méthode d'apprentissage statistique qui a connu, cette dernière décennie, un grand développement en théorie et en application. Elle repose sur un fondement théorique solide basé sur le principe de maximisation de la marge, ce qui lui confie une grande capacité de généralisation. Les SVMs ont été utilisées avec succès dans plusieurs domaines tels que la reconnaissance des visages, des textes manuscrits, de la parole, ...etc. Dans ce travail, nous avons traité la question de l'utilisation de la méthode SVM pour l'analyse des bases de données. En effet, Le processus d'analyse passe par plusieurs étapes, dans chacune, les données subissent des traitements qui peuvent être optimisés par l'utilisation de la méthode SVM. Le travail présenté ici propose deux techniques d'accélération des SVMs, la première pour les SVMs binaires tandis que la deuxième pour les SVMs multiclasses. Les contributions proposées ont été validées sur des données artificielles et réelles largement utilisées par la communauté, et appuyées par des analyses montrant leurs avantages et leurs limites.