分类问题是模式识别领域的核心内容。至今，神经网络、决策树、支持向量机(SupportVectorMachines，SVM)等智能方法已经被广泛应用于分类问题中。最小二乘支持向量机(LeastSquaresSupportVectorMachines，LS-SVM)作为SVM的一种改进模型，具有全局最优，推广能力好以及适应性强等优点。目前，LS-SVM在模式识别、信号处理等诸多工程领域中的应用越来越广泛，并显示了良好的性能。　　本文在分析了SVM、LS-SVM理论的基础上，重点研究了LS-SVM的两种改进形式:稀疏最小二乘支持向量机(SparseLeastSquaresSupportVectorMachines，SLS-SVM)和模糊最小二乘支持向量机(FuzzyLeastSquaresSupportVectorMachines，FLS-SVM)，并将其应用于人工数据集、基准数据集以及实际生物医学心电图(Electrocardiogram，ECG)信号和脑电图(Electroencephalogram，EEG)信号的分类问题中，验证了SLS-SVM和FLS-SVM分类器的有效性和可行性。　　本文主要研究内容包括如下几个方面:　　(1)在分析了标准SVM理论和LS-SVM理论的基础上，进一步研究了LS-SVM的两种改进形式SLS-SVM和FLS-SVM。同时，研究了不同核函数参数选取对分类器分类的影响，本文将一种新的小波核函数用于SLS-SVM和FLS-SVM中，并使用交叉验证(Cross-Validation，CV)法对分类器参数及各种核函数参数进行优化。　　(2)将基于小波核函数的SLS-SVM和FLS-SVM分别应用于二分类人工数据集、二分类基准数据集和多分类基准数据集等多个数据集的分类问题中，并且在同等条件下与基于径向基核函数、多层感知器核函数以及多项式核函数的标准SVM、LS-SVM二分类算法以及多分类算法的分类性能进行比较，并用CV法对参数进行优化。最后从分类精度和运行时间两方面详细分析各种分类器的分类性能。结果表明，基于小波核函数的SLS-SVM在不影响分类精度的同时可以提高训练速度，而FLS-SVM很好的改善了多分类问题中存在的数据不可分的情况，验证了SLS-SVM和FLS-SVM的有效性和可行性。　　(3)以生物医学中实际分类问题为应用背景，结合给出的SLS-SVM和FLS-SVM分类器对ECG、EEG信号进行分类研究。结果表明，基于小波核函数的SLS-SVM和FLS-SVM分类器具有良好的分类性能和泛化性能，能够有效的处理实际分类问题。