支持向量机（Support Vector Machine,SVM）是一种具有坚实数学理论基础的机器学习算法,其本质是统计学习理论的一种具体实现。得益于结构风险最小化原则和核函数的引入,支持向量机能较好地解决具有非线性和高维度的实际任务,并且拥有参数较少、泛化能力强以及鲁棒性好等诸多优点。因此,支持向量机得到了广泛的应用和研究。然而,真实数据中广泛存在着的各种噪声不仅影响模型构造的效率,而且严重降低了模型的分类性能。另外,真实数据中可能包含大量的冗余信息,这对支持向量机的分类性能也造成了消极影响。因此,如何过滤噪声和冗余信息,提高支持向量机的抗噪性成了本文的重点研究内容。本文从损失函数和正则项两方面对Fisher正则支持向量机（Fisher-regularized Support Vector Machine,Fisher SVM）进行了研究,以使其获得更好的抗噪性和数据约减能力。相关研究内容和创新工作主要包括:（1）提出了基于Pinball损失函数的Fisher支持向量机算法。该算法有效地结合了Pinball损失函数的噪声不敏感性和Fisher正则项的统计可分离性,使其能够在最大化类间距离的同时最小化类内散度,进一步提高抗噪性。该算法与使用Pinball损失函数的SVM具有相同的计算复杂度,同时也保留了经典SVM的表达式,可以在原空间或对偶空间中求解。实验结果表明该算法能够显著降低标签噪声和特征噪声对样本分类性能的负面影响,显著增强了模型的抗噪能力。（2）提出了一种线性稀疏Fisher支持向量机算法――L1范数Fisher支持向量机。利用Hinge损失函数和L1范数正则能诱导稀疏性的本质,L1范数Fisher支持向量机能够在样本分类的同时实现特征约减,减少了特征噪声和冗余特征的影响。因此,该算法可以被当作分类器使用,也可以被当作一种特征选择方法。实验结果表明该算法具有良好的特征约减能力和样本分类性能,同时对特征噪声具有较强的抗干扰性。（3）提出了一种非线性稀疏Fisher支持向量机算法――核L1范数Fisher支持向量机。该算法采用Hinge损失函数和L1范数来确保算法的稀疏性,引入核函数来实现非线性处理能力。该算法能够在样本分类的同时实现样本约减,有效地过滤样本噪声和冗余样本的影响。实验结果表明该算法具有良好的样本约减能力和分类性能,并且对样本噪声不敏感。此外,实验结果还表明结合L1范数Fisher支持向量机和核L1范数Fisher支持向量机还能够进一步地提高抗噪性和数据约减能力。