高维线性回归模型之下，基于高斯噪声的最小绝对收缩和选择算子(LASSO)模型在变量选择和维数下降方面起重要作用.然而，在实践中高斯假设不一定成立.在这种情况下，最为流行且常用的是最小一乘方法.　　本文主要研究经由fusedLASSO惩罚的最小一乘回归，其估计系数以及相邻估计系数之间的差分都具有稀疏性，我们称之为稳健fused-LASSO模型.稳健fused-LASSO估计量不依赖于一些噪声的先行知识，如噪声的标准差或者噪声的任何矩假设.我们的结果表明稳健fused-LASSO估计量具有near oracle性质，即估计误差的L2-范数的阶为O(√k(logp)/n)，且以大概率成立.这个结果对于各种不同分布的噪声（包含柯西分布）都是成立的.　　除此之外，我们应用具有全局收敛性的线性化乘子交替方向法来求解稳健fused-LASSO模型.数值实验验证了我们方法的有效性.