分类问题是机器学习中研究的重要问题之一,它广泛地存在于语音识别,文本分类,疾病诊断等领域.数据的收集过程中,往往由于标签记错或数据有噪声而产生异常值.因为异常值会降低的分类模型性能,所以需要鲁棒的方法来解决这种问题.本文在增强模型鲁棒性的前提下,提出了解决二分类问题和多分类问题的方法,具体内容如下:第一,提出了一种解决二分类问题的方法,即基于Rescaled hinge损失函数的双支持向量机.其主要思想是:通过Rescaled hinge损失函数和传统的双支持向量机结合,得到优化问题.实际上该方法是一个加权双支持向量机,给每个样本点不同的惩罚,增强了模型的鲁棒性.本文所提出的方法可以适用于更广泛的问题,它可以通过线性决策函数解决交叉形数据的问题.最后,本文的方法只需求解两个小规模的二次规划问题,计算复杂度相对较低.基于人工数据集和UCI数据集的实验表明,本文提的算法具有更好的鲁棒性.第二,提出了一种解决多分类问题的方法,即基于Rescaled hinge损失函数的多子支持向量机.它的主要思想是将Rescaled hinge损失函数与传统的多子支持向量机结合,得到基于Rescaled hinge损失函数的多子支持向量机.首先,实际上它是通过给每个样本点不同的惩罚而得到的,从而可识别数据集中的异常值,降低了异常值对模型的影响.其次,加权多子支持向量机只需求解K个小规模的二次规划问题,具有较低的计算复杂度.最后,Rescaled hinge损失函数的使用将优化问题变成了一个非凸的优化问题.本文采用共轭函数理论将问题等价变换,再用交替优化迭代算法求解.基于无噪声和有噪声的UCI数据集的实验表明,本文提出的基于Rescaled hinge损失函数的多子支持向量机是有效的,与现有的多分类算法相比,具有更高的分类精度.