机器学习是当下的热门研究领域,而单任务支持向量机是机器学习中一种常见的方法。单任务支持向量机在解决小样本、非线性和局部极小值等问题上表现出了良好的性能,但在解决一些复杂样本的分类问题时,单任务支持向量机往往不能很好的解决。在此情况下,一些学者提出了多任务支持向量机来尝试解决这一问题。与单任务支持向量机相比,多任务可以通过所有任务之间的共享信息来提高学习方法的性能,因此,多任务支持向量机较之单任务支持向量机有更好的分类效果。但通过分析发现,现阶段的多任务支持向量机都普遍存在对噪声点或离群值敏感导致分类效果不佳的问题。因此,解决传统多任务支持向量机分类模型对噪声点或离群值敏感的问题,有助于提高模型的分类性能。本文通过对传统多任务支持向量机的约束条件和目标函数进行了改进,提出了多任务模糊最小二乘孪生支持向量机和多任务加权最小二乘孪生支持向量机。多任务模糊最小二乘孪生支持向量机是通过加入一种改进的隶属度方法,计算每个样本的隶属度来确定样本重要程度,根据每个样本的隶属度可以使得其得到更准确的分类。在本文的隶属度函数计算过程中,同时考虑了样本点与类中心和分类面的距离,可以使隶属度的计算更准确。多任务加权最小二乘孪生支持向量机是通过引入权重参数来对惩罚项进行加权,通过对惩罚项进行松弛,使得模型更加鲁棒。本文采用网格搜索算法对参数进行优化,改进算法的局限性及缺点。实验采用_UCI数据库中的数据集进行实验验证,使用两种评价指标对模型进行评价,结果表明,本文提出的两种方法:多任务模糊最小二乘孪生支持向量机和多任务加权最小二乘孪生支持向量机是有效的,有效的减少了离群值或噪声点对实验结果的影响,提高了分类效果,具有良好的分类性能。