支持向量机（Support Vector Machines,SVM）作为机器学习领域中的一种强分类算法,为科学研究和具体应用提供了充分的理论支持。然而由于铰链损失自身的结构特性,当分类数据中存在噪声时,传统支持向量机的分类效果会明显降低,极大地削弱了自身的优势。因此为了解决传统支持向量机对噪声数据敏感的问题,从改进损失函数的角度,依次提出了三种不同的损失函数。从其自身结构可以得出:提出的这三种损失函数都将噪声数据的损失值限制到[0,1]区间,进而降低了噪声数据对分类的影响。此外,支持向量机的正则化项分别配合使用L₂范数,间隔均值项以及L₁范数建立了三种不同的鲁棒优化模型。经过实验验证,本文提出的三种优化模型都削弱了噪声数据的影响,提高了传统支持向量机的鲁棒性。针对给出的三种不同优化模型,基于零阶优化的思想,依次给出了对应的求解方法。零阶优化不同于传统的梯度计算方式,无需计算梯度的准确数值,而是使用函数估计值来代替梯度,避免了复杂的梯度计算。关于给出的三种求解方法:在零阶优化的框架下,配合减小方差的技术,并依次引入加权平均,动量加速,近端梯度的技巧,设计了三种高效的解决方式。针对改进的鲁棒支持向量机模型,分别给出了对应的算法。实验表明与现有方法相比,提出的这三种方法在分类精度,减小方差,收敛速度等方面均具有一定的优越性,能够适应提出的鲁棒模型的需求,在给定不同噪声比的实验数据上获得了较好的分类效果。