支持向量机（Support vector machine,SVM）算法发展至今,已经成为机器学习领域内的经典算法。SVM主要有以下几个显著优点:首先,以统计学习理论为基础,运用结构风险最小化原则克服过拟合问题,从而有效提高了算法的鲁棒性。其次,通过引入核函数来解决因数据映射到高维特征空间产生的维数灾难问题。最后,为了避免在求解的过程中陷入局部最优,通过解一个凸二次规划问题得到全局最优解。SVM目前广泛应用于自然语言处理、模式识别等领域。虽然SVM在理论和应用上都表现了突出的优势,然而样本中噪声或离群点的存在影响了SVM的分类性能。为了解决SVM算法对噪声或离群点敏感的问题,研究人员提出了模糊支持向量机（Fuzzy support vector machine,FSVM）算法。根据各样本对最优分类超平面的构建所起作用的不同赋予不同的隶属度值,从而降低噪声或离群点对分类性能的影响。目前关于如何确定及选择合适的隶属度函数没有一个统一的准则,因此隶属度函数的设计是FSVM算法研究的重点和难点。随着互联网的普及和大数据时代的到来,各行各业的数据和信息正以史无前例的速度产生,农业领域也不例外。信息的大幅增加对于用户而言有利有弊,一方面大大便利了用户获取信息的方式,另一方面从大量的信息中得到有效信息的难度也越来越大。由此可见,合理有效地对这些农业信息进行分类管理十分重要,农业文本分类成为农业信息化领域研究的重要问题。本文以中文农业文本分类研究为背景,对FSVM算法进行了深入地研究,重点研究了如何改进现有的FSVM算法,从而提升中文农业文本分类的效果。工作内容主要包括如下几个方面:1.系统归纳总结了SVM和FSVM的相关理论和算法,主要包括模型的产生、推广和演变等。并综述了几种常见隶属度函数的设计思路与方法。2.提出了一种基于中心核对齐的隶属度函数构造方法,进而构造了一种基于中心核对齐的FSVM模型。通过实验对比各种相关算法的性能,结果表明了该算法的有效性。3.提出了一种基于双重特征加权的FSVM模型,该模型将得到的特征权重分别应用到隶属度函数和核函数的计算中,能有效降低弱相关或不相关特征的影响。实验结果表明该模型具有很好的泛化性能。4.针对中文农业文本分类的特点,在对其进行分类之前,进行了文本的获取、预处理、特征处理和文本表示等操作。将本文提出的两种改进的FSVM算法应用到中文农业文本分类中,并与相关的SVM和FSVM算法进行对比分析,实验结果验证了本文提出的两种算法在中文农业文本分类中的有效性。