支持向量机是V.Vapnik所提出的一种通用的机器学习方法，在很多实际的分类和回归问题中都有着广泛的应用。为了克服在分类问题中噪声和野点对分类结果的影响，国内外的学者基于模糊集的理论，先后提出了模糊支持向量机和模糊最小二乘支持向量机的算法.但由于模糊集的理论中的隶属度只是一个实数，它只能反映支持、不支持和不确定三者之一的程度，这已经不能反映实际的情况。因此，Atanassov在模糊集的基础上提出了基于隶属度、非隶属度和不确定度这三个方面信息的直觉模糊集。　　 本文将直觉模糊集的相关理论引入到最小二乘支持向量机中，提出了直觉模糊最小二乘支持向量机的相关理论。首先，为了将训练集直觉模糊化，定义了样本类内径、类外径、样本周围同类点比例、异类点比例等指标并推导出了两类情况下每个样本的隶属度和直觉指数的相关计算公式.将隶属度和直觉指数两个指标引入到最小二乘支持向量机的理论中，提出了直觉模糊最小二乘支持向量机。然后，分别在人工数据集和UCI标准数据集上进行仿真实验，实验结果验证了直觉模糊最小二乘支持向量机算法的可行性和有效性。最后，将所提算法推广到解决多类问题中，并将其应用于变压器的故障诊断的实例中。通过与其他算法诊断结果的比较，进一步验证了本文所提算法的有效性和将其推广到其他模式识别问题中的可行性。