支持向量机(SVM)与其他机器学习理论相比有许多自身的优点,但训练就需要花费很大的时间,为此许多快速学习的算法被引入到了SVM中。而对于支持向量回归(SVR)却很少,如何把解决分类的问题的改进方法应用于回归问题显得非常重要。本文从最小二乘支持向量机(LSSVM)、临近支持向量机(PSVM)和双胞支持向量机(TSVM)基本算法出发,针对回归问题本文提出了一种新的回归支持向量机模型----最小二乘双胞支持向量机(LSTSVR)。　　 本文把最小二乘算法引入到双胞支持向量回归机中,将不等式约束转变为等式约束,从而将二次规划问题转变成线性方程组的求解问题,从而减少了参数调整的个数,减少了多个优化变量,简化了计算的复杂性,提高了收敛速度。然而,最小二乘思想由于缺失了标准SVR的稀疏性从而造成了“鲁棒性”方面的欠缺,本文又结合PSVM的思想,同时引入了上下界参数y1和y2用两个线性方程组代替了两个二次规划求解问题,把复杂的求解运算转化成了求解两个逆矩阵求解问题,使计算的复杂性大大降低,不但提高了运算收敛的速度,而且提高了回归问题的“鲁棒性”。　　 本文在理论证明的基础上,对算法进行了实证分析与比较分析,并将提出的新算法LSTSVR应用到了实际的回归问题中。在一般的加入了不同噪声函数回归应用中,LSTSVR显示出了可行性和有效性。而在对通用的UCI数据库中几个常见的回归问题中,从误差及鲁棒性等方而,LSTsVR方法均优于一般的最小二乘支持向量机方法。不同实验结果均表明了本文所提方法的可行性与有效性。