作为上世纪九十年代兴起的一种新的机器学习技术，支持向量机(Support Vector Maclline，SVM)在许多领域都取得了成功的应用。但它的应用其实大多局限于常见的标准化或者说“干净”的数据分布情况，对于在实际应用中不得不面对的一些数据分布不合常规或者说不“理想”的机器学习问题，比如：受噪声干扰的数据集分类，不确定性输入信息学习算法、不平衡数据集分类、半监督型数据学习等，传统型支持向量机的学习性能则表现得不尽人意，有时甚至根本达不到人们所期望的学习效果，这在很大程度上影响了支持向量机向更大范围的推广和应用。针对这些问题，本文就受噪声干扰的支持向量机学习算法进行了研究，给出了较理想的解决方案。在简单回顾标准支持向量机及其数学基础之后，本文重点研究了抗白噪声理论的支持向量机学习算法。针对某些训练样本存在输入信息带有噪声的问题，通过引入白噪声，高斯白噪声及核函数的概念，结合支持向量机的特性，提出了解决抗高斯白噪声的支持向量机分类算法。该类算法在传统支持向量机的基础上，通过改造原有的经验风险，来减弱或抑制噪声。也可利用核函数的特性，通过调节核函数中的参数，使其达到抗噪的目的。