En cuanto a la buena descripción de grupos con formas arbitrarias, la recolección de vectores de soporte precisos (SVs) es crítica pero consume muchos recursos para el clustering de vectores de soporte (SVC). Aunque los SVs pueden extraerse de los límites para eficiencia, los patrones de límites con demasiado ruido y configuraciones de parámetros inapropiadas, como el ancho del kernel, también confunden el análisis de conectividad. Por lo tanto, proponemos un SVC de límites mejorado (IBSVC) con soporte de autoadaptación para límites razonables y parámetros cómodos. La primera autoadaptación está en la selección de bordes móviles (MES). Al introducir una estrategia de dividir y conquistar con el soporte de k-medias++, recopila bordes locales, informativos y razonables para la construcción de la hiperesfera mínima mientras rechaza pseudo-bordes y valores atípicos. En lugar de la ejecución de aprendizaje de modelos con entrenamiento y evaluación repetitivos, fusionamos la segunda autoadaptación con la selección de parámetros flexibles (FPS) para la construcción directa del modelo. FPS selecciona automáticamente el ancho del kernel para cumplir con una restricción de conformidad, que se define midiendo la diferencia entre la descripción de los datos dibujada por el modelo y el patrón real. Finalmente, IBSVC adopta una estrategia basada en la descomposición convexa para finalizar la verificación y etiquetado de grupos incluso si no hay conocimiento previo del número de grupos. El análisis teórico y los resultados experimentales confirman que IBSVC puede descubrir grupos con alta eficiencia computacional y aplicabilidad.