支持向量机是在数理统计基础上的一种机器学习方法。近些年来由于其较强的泛化性能而得到大力推广。支持向量机的广泛应用不仅体现在二类分类问题上,还体现在一类分类问题上。一类分类问题能够很好地处理异常检测问题。然而,无论是两类分类还是单类分类,支持向量机都需要对带有线性约束的凸二次规划问题进行求解,然后利用标准二次型的优化技术求解二次规划的对偶问题。二次规划问题中基于L2范数的正则化项对噪声具有较强的敏感性,同时,由于分类超平面仅仅依赖于一小部分训练样本,因此它对噪声非常敏感。为了提高支持向量机在处理两类分类和单类分类时的抗噪声能力和泛化性能,本文分别提出了鲁棒的支持向量机和鲁棒的一类支持向量机,主要贡献包括:①利用光滑方法将传统支持向量机的二次规划问题转化成无约束优化问题,增强了支持向量机的强凸性和可微性。②利用M-estimator代替支持向量机中基于L2范数的正则化项,避免了L2范数对噪声的敏感性,提高了抗噪声能力。③利用半二次最小化方法对所提模型的优化问题进行求解,当数据集规模较大时,半二次最小化方法的运行效率较高。实验结果表明,所提的改进方法提高了支持向量机在处理两类分类和单类分类问题时的鲁棒性。