支持向量机是建立在VC维理论和结构风险最小原则基础上的一种学习方法，已经成为机器学习的一个重要研究方向。目前，研究人员对其算法进行了各种改进，并提出了许多算法，例如，模糊支持向量机。最近，随着粗糙方法引入到支持向量机的优化问题中，人们也开始关注粗糙方法与支持向量机间的紧密结合，并正在成为一个新的发展方向。本文将模糊方法与粗糙方法用于支持向量机中，对基于模糊方法的粗糙支持向量机算法进行了研究，主要包括以下三个方面：1.在深入研究传统支持向量机、模糊支持向量机以及粗糙间隔支持向量机的基础上，针对算法存在的噪声敏感问题，将模糊方法和到粗糙间隔引入到支持向量机中，获得了模糊加权的粗糙间隔支持向量机模型，通过求解该优化问题的解，提出了模糊加权的粗糙间隔支持向量机算法，该方法同时考虑了间隔的粗糙性和样本的模糊性，也就是说不仅考虑样本在超平面的位置，而且还考虑了样本的重要性，通过此方法可以有效减少噪声或野点对超平面的影响。2.通过分析求解多类问题的支持向量机算法以及求解策略，并基于一对一策略和一对多策略，提出了求解多类问题的模糊粗糙间隔支持向量机算法，该方法通过引入模糊隶属度和粗糙间隔，有效地减少了一对一策略和一对多策略中可能存在的不可分区域。3.针对两类问题和多类问题，通过选取UCI等数据库中的标准数据集，实验研究了模糊加权的粗糙间隔支持向量机的性能，通过选取分类正确率、均方差以及平均正确率等指标，分别与粗糙间隔支持向量机、模糊支持向量机以及传统支持向量机的性能进行了实验比较；并且采用双边t检验方法和Friedman检验方法对提出算法的有效性进行了研究和讨论。