带噪声的大规模数据分类问题是数据挖掘中的重要研究内容。支持向量机作为一种经典的数据挖掘技术,因其具有较强的泛化能力而被广泛的应用于各个领域中。有研究表明,基于非凸非光滑损失函数的支持向量机分类模型对带标签噪声的数据具有鲁棒性,能降低噪声对分类超平面的影响,提高数据的分类精度。然而,非光滑损失函数的使用导致对该模型的求解困难。针对上述问题,本文提出基于光滑非凸损失函数的鲁棒支持向量机模型,对带标签噪声的大规模数据分类问题进行研究,给出该模型的一种快速求解算法。本文所取得研究成果主要有:首先,研究分析了基于光滑非凸损失函数的鲁棒支持向量机分类模型,尽管该类模型对标签噪声具有鲁棒性,但需通过迭代求解二次规划来获得该模型的最优解,计算量大且收敛速度慢,不适合训练大规模分类问题。为了解决上述问题,本文给出了一种快速收敛求解方法并对其进行验证,实验结果表明了该方法的有效性。其次,基于最小二乘的思想,提出了一种推广的鲁棒最小二乘支持向量机模型,并用一种快速收敛算法进行求解,从理论上解释了模型的鲁棒性。为了有效的处理带标签噪声的大规模分类问题,在对核矩阵采用低秩近似方法的基础上,提出了稀疏推广的鲁棒最小二乘支持向量机算法和稀疏鲁棒支持向量机算法。实验结果表明,所提算法在收敛速度、测试精度和训练时间等方面均优于相关算法。最后,将鲁棒支持向量机的光滑非凸损失函数进行改进,提出了多参控制的鲁棒支持向量机模型,在其对偶空间上证明了它的强鲁棒性,给出了该模型的快速收敛求解方法,并利用核矩阵的低秩近似,给出了该模型的稀疏求解算法。通过大量的实验,证明了该算法的有效性。