支持向量机作为一种数据挖掘方法,一直以来因为较强的泛化能力而被广泛的应用于社会各个领域。然而,支持向量机需要求解带有不等式约束的凸二次规划问题,并且具有训练时间长、计算量大的缺点,所以无法处理大规模数据问题。另外,支持向量机可以采用核函数来处理非线性分类,如XOR分类,但选择合适的核函数却是困难的。后来,孪生支持向量机(TWSVM)的提出,不仅缩短了训练时间,还能更有效的解决异或类型的数据分类,但它的目标函数仍是基于L2范数。二次规划问题中因为L2范数对于噪声数据敏感,一旦数据中含有较多噪声数据,那么算法的性能就会大大降低。因此,本文在基于TWSVM算法的基础上,为了提高算法的鲁棒性与分类精度,提出了三类算法,主要工作概括如下:1.在TWSVM算法的基础上,本文提出了一种新的具有鲁棒性的切L1范数孪生支持向量机(CTWSVM)算法,它不仅保持了TWSVM原有的优点,并且提高了算法的分类精度。在目标函数中,实验引入了切L1范数来度量点到平面的距离,它在计算时会根据给定阈值来判断数据点是否为噪声点,若被视为噪声数据,则会被“丢弃”并排除计算,以此来缓和异常值对分类平面的影响。此外,我们通过使用新设计的有效迭代算法来求解切L1范数的问题,对算法的局部最优解的存在和收敛性进行了理论分析,并通过对人工数据集和UCI数据集的大量实验证明了提出的CTWSVM算法的稳健性和可行性。2.在CTWSVM算法的基础上,为了减少算法的训练时间,引入了最小二乘的思想。在此,提出了新的算法-切L1-LSTSVM算法,它不仅大大减少了计算开销,还提高了算法的鲁棒性。同样地,本文采用了简单有效的迭代算法来求解该问题,并且从人工数据集和UCI数据集的实验验证了该算法的抗噪能力和可行性。3.为了进一步的提高算法的鲁棒性和增加算法的灵活性,本文将切Lp范数引入到最小二乘支持向量机(LSTSVM)中,使算法能够应用于范围更广的数据。同样地,本文设定了合适的阈值来减少噪声数据的影响,并从理论上推导证明了算法的可行性。最后,实验采用了人工数据集和UCI数据集,通过引入不同的高斯噪声比,与其他类似的分类算法进行比较分析,其结果证明了该算法的抗噪能力。