支持向量机(SVM)是近几年发展起来的主要用于解决分类问题的算法,由于其独特的优势,已经成为机器学习领域新的研究热点。然而SVM仍然存在一些问题,其中对噪声和野点的敏感性问题是阻碍SVM大规模应用的主要原因之一。本文针对这一缺陷,提出了一种基于紧密度的模糊支持向量机算法(FSVM)。定义了“紧密度”和“最优半径”这两个概念,同时考察了它们之间的关系,并给出了确定“最优半径”的精确算法和近似算法。通过区分样本在最优半径的内外,赋予不同样本不同的隶属度函数,将被噪声污染的样本与有效样本进行区分。同时本文给出了“双向隶属度”的公式,对每个训练样本赋予正负两种类别的隶属度,借此来同时反映同类、异类样本对该样本隶属度的影响。最后,依据双向隶属度分别给出了两种模糊隶属度的确定方式及相应的FSVM模型。MATLAB仿真实验证明,与传统SVM方法及基于单项隶属度的FSVM算法相比,本文提出的几种模型对噪声具有更好的抵抗能力,从而验证了本文提出算法的有效性。本文提出的算法基于如下假设：样本的分类情况与样本在特征空间中的欧氏距离有关。因此能否找到合适的核函数,使得样本集合在特征空间中的映射满足这一假设,成了本文算法的前提条件。然而,核函数的构造本身就是一个值得研究的领域,因此本文的下一步工作就是希望能够结合最新的核理论研究成果,将其整合到本文提出的算法理论中。