孪生支持向量机(Twin Support Vector Machines,TWSVM)是一种基于经典支持向量机(Support Vector Machine,SVM)的新型机器学习方法.不同于SVM,TWSVM基于一对非平行的超平面进行决策.由于其良好的学习性能,TWSVM已经成为一种流行的方法,受到了广泛的关注.为提高TWSVM的泛化能力,学者们在其基础上设计了大量的变体,其中,非平行超平面支持向量机模型(Nonparallel hyperplane support vector machine,NHSVM)是为解决TWSVM训练过程与预测过程的逻辑不一致问题设计的.TWSVM模型在对一个陌生样本进行分类时,首先要计算样本点到两个超平面的距离,然后将样本归类于:与其距离相对更近的超平面对应的类别.然而,这样的‘比较’思想并没有体现在训练的过程中.NHSVM模型通过设置与‘样本点到两个超平面的距离差’有关的约束条件,保证了训练与预测过程的一致性.然而,我们注意到,NHSVM在表示样本点到两个超平面的距离差时,对样本点与两个平面的相对位置有很强的要求,但实际数据有可能不满足模型默认的位置关系.尽管最小化目标包含样本点到‘同类超平面’距离的平方,看起来能在一定程度上削弱这个问题,但考虑到优化问题的最优解是目标函数各项综合的结果,距离差表示异常问题是否存在,以及其影响程度,还需要进一步探究.为此,我们从实践出发,将NHSVM模型应用于分类任务,并特别关注了与约束条件相关的值,实验结果显示,在一些数据集上确实存在上述问题.为了修正NHSVM模型的缺陷,使其更符合设计初衷,本文提出了改进版本的adj-NHSVM模型.相比于原NHSVM模型,新模型对优化问题做了两方面调整:首先,对‘距离差’约束条件中的距离项添加符号参数,使模型结构更灵活;其次,在目标函数中增加了与距离项相关的惩罚项,以使样本点更‘贴近’与之对应的超平面.后续的实验分析结果显示,修正后的模型在多个数据集上的表现均优于原模型,并且适用于不平衡数据分类问题.