支持向量机（Support Vector Machine,SVM）是Vapnik等人提出的一种以统计学习理论为基础、以解决有限样本为目标的机器学习新方法,因其泛化能力强等特点而广泛使用.通过转化SVM的目标函数、优化等式约束,可将其简化为最小二乘支持向量机（Least Squares SVM,LSSVM）.这一改进有效的降低了计算复杂度,但是LSSVM使得几乎所有的样本点都作为支持向量参与计算,解向量稀疏性的丧失将影响分类速度.因此,LSSVM模型的稀疏性问题逐渐被大家关注并研究.目前已出现一些稀疏化方法,包括L₀和L₁稀疏化方法,但如何高效的实现解向量的稀疏性仍是需要进一步研究的问题;同时,模型中罚参数的选择问题也是很有价值的一个研究方向.本文考虑了分类问题的对偶稀疏支持向量机模型,理论上首次给出了该分类模型中L₁-罚参数选择的上界.此外,对大规模数据集给出了一种新的样本筛选方法,该方法适用于类中心连线与分类超平面较为垂直的情况.最后,利用UCI数据库中的5个数据集及双曲螺旋样本完成了初步的数值实验,并将其应用到了博文分类这一实际问题上.论文主要研究了以下四个方面的内容:1、将部分Lagrange乘子的L₁-范数添加到LSSVM分类模型的对偶问题上,构建了对偶稀疏支持向量机模型,证明了该模型可等价转化为Lasso问题的形式;2、利用优化理论给出了该模型中L₁罚参数选择的上界,数值实验结果支持了该理论结果;3、对于大规模的数据集,依据样本点所处的位置给出了一种样本筛选方法.将筛选后的样本直接作为训练集,再运用稀疏支持向量机求解,可实现双重稀疏化处理;4、将模型应用到了微博博文文本的二分类问题,利用UCI数据库中的5个数据集和双曲螺旋样本,使用Matlab、Python完成了初步的数值实验.数值结果表明了模型在利用的大部分数据集上均有相对较好的分类精度、较少的支持向量和计算时间.本文第1章介绍了文本分类、SVM、LSSVM及稀疏LSSVM的相关研究;第2章介绍了LSSVM、三种不同的稀疏LSSVM模型;第3章提出了基于Lasso的对偶稀疏支持向量机模型,给出了模型中罚参数的上界及大规模数据集样本筛选方法;第4章给出了数值实验结果、在博文分类问题上的实际应用.最后,总结和展望.