支持向量机因其泛化能力强,分类效果好而被广泛应用。不同于传统的支持向量机模型,最小二乘支持向量机只需求解一个线性方程组即可得到闭式解,训练速度快,因而被广泛应用于分类问题。但最小二乘支持向量机模型容易受到离群点和噪声的影响,往往使得其分类精度下降。其次,这些已有的分类模型在处理问题时,基于类平衡的假设,导致其在处理不平衡数据的分类问题时,对少数类的分类效果很差。因此,本文将探究如何降低离群点和噪声对模型影响以及如何处理不平衡数据的分类问题。针对离群点和噪声问题,样本点的模糊加权是解决该问题的一种有效方法。直觉模糊集既包含样本点的隶属度信息又包含样本点的非隶属度信息,可以更加详细地刻画样本点的分布特征。为此,本文基于直觉模糊集,通过剔除离群点得到更加准确的类中心,再根据样本点到类中心的距离,得到样本点对其所在类的隶属程度。同时,采用核k近邻的方法,查找样本点的k个近邻里另一类样本点的数量,进而得到样本点的非隶属度信息。最后,根据样本点的隶属度与非隶属度得到一种新的模糊值。进一步将提出的模糊值用于改进最小二乘支持向量机模型,通过赋予离群点和噪声低的模糊值,减少它们对最小二乘支持向量机模型的影响,提高模型的精度。实验结果表明,与已有算法对比,本文提出的算法可以有效降低离群点和噪声对最小二乘支持向量机模型的影响,提高模型的鲁棒性。将代价敏感学习思想与模糊支持向量机相结合,可以有效解决不平衡数据的分类问题。据此,本文基于直觉模糊集,结合k近邻概率密度估计策略引入样本点的相对密度这一先验信息,来计算样本点的隶属度与非隶属度信息。先分别采用样本点的类内相对密度和类间相对密度计算样本点的隶属度和非隶属度信息,再根据这两种隶属度得到最终的模糊值。同时,针对多数类和少数类分别采用不同的方式计算模糊值。然后将得到的模糊值用于改进支持向量机模型,结合代价敏感学习的思想,得到基于相对密度的直觉模糊支持向量机模型,并将其用于处理数据不平衡的分类问题。该模型既可以降低离群点和噪声的影响,又可以减少类不平衡的影响。实验结果表明,与一些类不平衡学习算法对比,该模型可以有效地处理不平衡数据的分类问题。