在机器学习和模式识别领域,以统计学习理论为基础的支持向量机在小样本、非线性和高维数据问题上表现出良好的学习性能。然而,支持向量机的训练涉及到求解一个二次规划问题,其计算复杂度是训练样本数的三次方。为了缓解支持向量机的高计算复杂度问题,研究人员提出了孪生支持向量机。不同于支持向量机算法求解一个规模较大的二次规划问题,孪生支持向量机是求解一对规模较小的二次规划问题,从而获得比支持向量机更快的训练速度。本文主要对孪生支持向量机算法的稀疏性和鲁棒性进行研究,主要的工作包括如下三个方面。（1）提出了一种稀疏孪生支持向量机算法。针对孪生支持向量机算法缺乏稀疏性的问题,本文引入能诱导稀疏性的1范数正则,提出了基于1范数正则的孪生边界支持向量机算法。本文算法的目标函数含有两种能诱导稀疏性的技术——模型系数的1范数正则和Hinge损失函数。因而,本文算法具有良好的稀疏性能,其线性版本可以实现特征选择,非线性版本可以实现样本约减。实验结果表明本文算法在具有较好稀疏性的同时,也具有较好的分类性能。（2）提出了一种鲁棒孪生支持向量机算法。为了解决孪生支持向量机算法对异常点敏感的问题,本文引入相关熵诱导损失函数,提出了基于相关熵诱导损失函数的孪生支持向量机算法。本文算法的目标是最小化模型系数的2范数、相关熵诱导损失函数及正（负）类样本到正（负）类超平面的距离。相关熵诱导损失函数的引入,使得本文算法在处理含有异常点的数据时,表现出较好的分类效果。在求解优化问题的过程中,我们采用了交替迭代方法来求解生成的半二次优化问题,能使得训练过程更快地收敛。实验结果显示,本文算法在表现出良好分类性能的同时,也表现出了对异常点的鲁棒性。（3）提出了一种稀疏鲁棒的孪生支持向量机算法。针对孪生支持向量机算法缺乏稀疏性及鲁棒性的问题,本文结合上述两个算法,提出了基于相关熵诱导损失函数的稀疏孪生支持向量机算法。本文算法的目标函数是最小化模型系数的1范数、相关熵诱导损失函数和样本点到同类超平面的距离。模型系数的1范数能够诱导出稀疏的决策模型,以此可以实现特征选择。同时,相关熵诱导损失函数对异常点具有良好的鲁棒性。在含有特征噪声和标签噪声的数据上分别进行了实验,结果表明本文算法较其他同类算法在稀疏性和鲁棒性方面表现出了良好的性能。