La technique des machines vecteurs supports (SVM) est une m thode d'apprentissage statistique qui a connu, cette derni re d cennie, un grand d veloppement en th orie et en application. Elle repose sur un fondement th orique solide bas sur le principe de maximisation de la marge, ce qui lui confie une grande capacit de g n ralisation. Les SVMs ont t utilis es avec succ s dans plusieurs domaines tels que la reconnaissance des visages, des textes manuscrits, de la parole, ...etc. Dans ce travail, nous avons trait la question de l'utilisation de la m thode SVM pour l'analyse des bases de donn es. En effet, Le processus d'analyse passe par plusieurs tapes, dans chacune, les donn es subissent des traitements qui peuvent tre optimis s par l'utilisation de la m thode SVM. Le travail pr sent ici propose deux techniques d'acc l ration des SVMs, la premi re pour les SVMs binaires tandis que la deuxi me pour les SVMs multiclasses. Les contributions propos es ont t valid es sur des donn es artificielles et r elles largement utilis es par la communaut , et appuy es par des analyses montrant leurs avantages et leurs limites.