本文主要研究了光滑技术在监督和半监督数据分类中的应用.主要内容涉及两个方面:一是监督学习情况下,光滑技术对投影孪生支持向量机(PTSVM)的应用以及不同的光滑函数对其产生的分类效果的比较;二是在半监督学习情况下,提出了拉普拉斯投影孪生支持向量机(Lap-PTSVM),并在此基础上应用光滑技术,形成一种新的半监督分类方法——拉普拉斯光滑投影孪生支持向量机(Lap-SPTSVM).　　第一章主要回顾了支持向量机(SVM)、光滑支持向量机(SSVM)、孪生支持向量机(TSVM)和光滑孪生支持向量机(STSVM)四种分类方法的思想和求解方法.　　第二章为了加强 PTSVM的分类性能,将光滑技术融入其中,并提出线性和非线性光滑投影孪生支持向量机(SPTSVM).为验证所提模型的有效性,利用UCI和NDC数据库中的16个数据集进行了一系列的比较实验,实验结果表明SPTSVM是一种高效的分类方法.　　第三章介绍了八个不同的光滑函数,并比较了它们对 SPTSVM分类性能的影响.实验结果表明,不同的光滑函数对SPTSVM的分类效果不同.因此,光滑函数的选择可以影响分类器的分类性能和推广能力.　　第四章针对半监督分类问题提出了Lap-PTSVM,并利用UCI数据库中的10个数据集验证了其有效性.实验结果表明Lap-PTSVM是一种有效的半监督分类方法.　　第五章为了进一步提高Lap-PTSVM的分类性能,使用光滑技术将其改进,进而形成一种新的半监督分类方法——拉普拉斯光滑投影孪生支持向量机(Lap-SPTSVM).实验结果表明所提算法是一种高效的半监督分类方法.