随着因特网的迅猛发展,电子邮件成为了现代通信的主要手段。但是同时,许多垃圾邮件也在网络中蔓延,给广大用户带来了大量的麻烦。垃圾邮件成为作为互联网上的一个日益严重的全球性安全问题,越来越得到社会大众和研究人员的重视和关注。因此能够有效地防治垃圾邮件是一个有重要意义的现实问题。本文研究了大量国内外最新反垃圾邮件文献和数据,对己有的垃圾邮件过滤技术做出分析、总结和展望。目前经常采用的垃圾邮件过滤技术可以分为两类,一类是基于规则的过滤方式。一般包括白名单与黑名单技术、规则过滤以及基于关键词匹配的内容扫描等。另一类是从电子邮件的文本内容入手,使用文本分类、信息过滤的算法,在训练邮件集合上学习垃圾邮件分类器。我们注意到,目前已有机器学习方法在进行垃圾邮件过滤时,一封邮件都是被确定地分类为垃圾邮件或者是合法邮件。但实际上,针对邮件服务器端的多个用户,一封邮件是垃圾邮件还是合法邮件,不同的用户有不同的认识,而且还有程度的问题,因此对邮件过滤的处理应被视为不确定信息的处理问题。在本文的研究中,针对邮件所含信息的模糊性和合法邮件与垃圾邮件错分代价的不对称性提出了基于双隶属度模糊支持向量机的邮件过滤方法。在确定样本的隶属度时,提出了一种新的有效地反映样本数据不确定性的隶属度函数来对邮件来计算隶属度,通过对每个样本赋予不同的双隶属度,得到双隶属度模糊支持向量机邮件过滤分类器。经仿真实验和相关方法的对比实验证明,本文所提出的邮件分类器能够有效降低将合法邮件误判为垃圾邮件,而且有很高的正确率等特点。