支持向量机是一种广泛应用于很多领域的二类分类模型。但是其具体应用中还存在一些问题。其中之一是,当训练集中出现错误类别噪声时,由于过拟合,支持向量机对它们非常敏感。在支持向量机的基础上,通过引入模糊隶属度,使得训练集中的样本对于分类器的训练起到不同的作用,得到了模糊支持向量机。为了使得模糊支持向量机能够抗噪,关键在于为其训练集设置合适的隶属度,使得噪声样本隶属度较小,以减轻其对训练过程的影响。针对如何为模糊支持向量机设置隶属度,本课题研究了两种方法。基于C-均值聚类算法,引入隶属度作为优化变量并在目标函数中加入噪声项,得到了鲁棒C-均值算法。通过核函数实现高维空间的聚类,得到核鲁棒C-均值算法。对于两种聚类方法,分别介绍了其离散求解和连续求解的方法。在两类中分别应用鲁棒C-均值或者核鲁棒C-均值算法,并将聚类求解的隶属度赋给相应的训练样本产生模糊训练集,用于训练模糊支持向量机,提高了模糊支持向量机对于受噪声污染的训练样本集的学习能力。基于C-均值算法的模糊化表示,用K-L信息量作为控制聚类模糊性的正则项,并选用马氏距离度量,得到了正则模糊C-均值算法。在优化目标中加入单独的噪声类,得到鲁棒正则模糊C-均值算法。给定训练样本集,两类样本各自进行聚类,并将训练样本的隶属度设为其对于各个非噪声类的隶属度的最大值,进而用于训练模糊支持向量机。实验结果表明,如此学习的模糊支持向量机在类别噪声出现的情况下,对测试样本集的分类准确率高于标准的支持向量机。最后,应用基于核鲁棒C-均值的模糊支持向量机算法进行肺部CT图像分割。实验结果表明,当训练CT图像中包含错误的分割时,相较于标准的支持向量机,模糊支持向量机能对测试CT图像产生更好的分割效果。