最大间隔规划模型能够将人工智能中的规划问题转化成机器学习中的结构化预测问题。其主要思想是对人类的示教行为进行建模,从而能够更方便的将人类的经验“传授”给机器。然而,当问题中的特征维度非常高时,传统的最大间隔规划算法将面临着一些无关特征的干扰。为了解决高维度的规划问题,本文在线性最大间隔规划的基础上同时考虑特征选择问题,首次提出了基于双正则最大间隔规划算法。本文调查了最大间隔规划问题以及特征选择问题的发展现状,并详细介绍了最大间隔规划问题以及特征选择问题中的相关背景知识。从最大间隔规划问题的目标函数出发,可以把该问题看成一个带正则项的结构风险函数最小化问题。为了使示教学习过程中能够自动的去除无关特征项,我们在目标函数上加上一个能够进行特征选择的惩罚项,从而形成一个带有双正则的结构风险函数最小化问题。根据所增加的不同稀疏惩罚项,本文提出了两种双正则最大间隔规划模型。一种是基于lasso的双正则最大问隔规划,另一种是基于MCP的双正则最大间隔规划。对于这两种模型,本文分别采用次梯度下降以及增广拉格朗日乘子法进行求解,提出了算法5和算法6。在理论上,本文证明了上述两个算法的收敛性。最后,我们开发了一套实验系统对所提出的算法进行验证测试。