双边移位投影孪生支持向量回归机（Pair-shifted Projection Twin Support Vector Regression,PPTSVR）是一种高效的用于解决回归问题的数据预测算法。由于其在训练过程中仅需求解两个较小规模的二次规划问题,训练速度约为支持向量回归机的四倍,近年来逐渐成为机器学习领域的研究热点。但是,PPTSVR存在欠考虑不同位置样本对超平面构造的影响的问题,当样本中存在异常点时会削弱算法的拟合性能;此外,PPTSVR采用L2-范数度量样本点投影到投影中心的距离,在最小化目标函数的同时,会放大噪声或异常点的影响。本课题主要从提升PPTSVR的拟合性能和训练速度两个方面展开研究,主要研究成果如下:针对PPTSVR在训练阶段没有考虑不同位置样本对超平面构造的影响的问题,提出一种加权光滑双边移位投影孪生支持向量回归机（Weighted Smooth Pair-shifted Projection Twin Support Vector Regression,WSPPTSVR）。首先采用孤立森林的方法赋予每个样本相应的权值,通过赋予样本中异常点很小的权值,削弱其对超平面构造的影响。其次,为了直接在原空间中寻求最优超平面,引入正号函数,将有约束优化问题转化为无约束优化问题,并采用Sigmoid光滑函数对目标函数进行光滑处理,证明其任意阶可微且严格凸的特性,进而在原空间中采用牛顿迭代法进行求解。结果表明,WSPPTSVR能够有效地剔除样本中的异常点,提升算法的拟合性能。针对PPTSVR采用L2-范数度量距离会放大样本中潜在噪声或异常点对超平面构造的影响的问题,提出一种L1-范数损失双边移位投影孪生支持向量回归机（L1-norm Loss Based Pair-shifted Projection Twin Support Vector Regression,L1-PPTSVR）。首先采用L1-范数代替L2-范数度量样本点投影到投影中心的距离,减轻潜在噪声或异常点对超平面构造的影响。然后最小化基于L1-范数的损失寻找最优超平面,通过引入合适的松弛向量,避免核矩阵求逆并节省存储开销。结果表明,与现有的代表性回归算法相比,L1-PPTSVR的预测性能和抗干扰能力更佳。针对提出的L1-PPTSVR在训练大规模数据集时存在时间复杂度高的问题,提出一种改进的L1-范数损失双边移位投影孪生支持向量回归机（Improved L1-norm Loss Based Pair-shifted Projection Twin Support Vector Regression,IL1-PPTSVR）。首先采用密度相关量化方案稀疏化训练样本集,降低算法的时间复杂度。其次,由于密度相关量化方案的引入,IL1-PPTSVR中至少存在5个参数,针对多个参数选择问题,采用混沌布谷鸟算法对参数进行寻优,进一步提升算法的训练速度。结果表明,与L1-PPTSVR相比,IL1-PPTSVR在大规模数据集上的训练速度更快。