支持向量机问题的研究与发展主要在对目标函数的优化和对目标函数的求解两个方面。对于支持向量机目标函数的优化,由于传统的铰链损失在含有噪声项的数据集中,受噪声影响比较大,从而影响分类效果,针对该问题,本文提出了一种新的损失函数。使偏离分类超平面较远的噪声项所产生的损失为一个很小的值,可提高分类的准确性,同时添加了一个偏移参数μ,使得支持向量机可以更好的解决各类含有噪声的数据集处理问题。同时在不平衡数据集中通过基于熵加权的方式来优化支持向量机的目标函数,在求解过程中结合了基于熵加权以及基于损失函数优化的支持向量机问题,以达到更好的分类效果和收敛速度。由于随机梯度下降算法在针对大规模数据集中有更快的分类速度,所以在求解支持向量机目标函数上应用了随机梯度下降算法来求解更改损失函数的支持向量机。