在计算机科研领域,众多科研人员都希望计算机具有人类的智能,并为此展开了研究,模式识别技术便在这种情况下产生。人类在平时生活中经常需要做出判断,这种判断对人来说再普通不过,但对计算机来说,却是非常复杂的模式识别问题。我们研究复杂问题的一般方法是从基础入手,然后逐渐深入,最终达到预期的研究效果。分类是最基础的模式识别技术,研究分类对模式识别技术的研究有着极其重要的意义。支持向量机作为一种非常优秀的分类算法,近年来已经成为模式识别技术中的一个重要研究方向。　　 本论文在研究了国内外众多改进的支持向量机算法后,针对支持向量机抗噪性能不强的缺点,将公共矢量(Common Vectors,CVs)引入了支持向量机中,提出了三种具有较强分类性能和抗噪性能的新算法,并通过实验证明。本论文的工作重点是:　　 第一部分是绪论部分,简要介绍了模式识别技术的研究现状以及应用领域。并对标准支持向量机现有的理论和算法进行了回顾。　　 第二部分介绍了噪音人脸分类问题的研究背景,并重点研究了近年来国内外比较出色的支持向量机改进算法,分别是最小类内方差支持向量机(MCVSVMs)和总间隔v支持向量机(TM-v-SVM)。深入研究了公共矢量的理论体系,并尝试将公共矢量与支持向量机相结合。　　 第三部分提出了总间隔v最小类内方差支持向量机(TM-v-MCVSVMs)。TM-v.MCVSVMs继承了MCVSVMs对分类数据集偏向性的支持,同时也保留了TM-v-SVM对不平衡性分类数据集的支持,因此TM-v-MCVSVMs将MCVSVMs和TM-v-SVM的优点相结合,具有更好的分类性能和抗噪性能。并使用BioID人脸数据库进行噪音人脸的分类实验进行验证。　　 第四部分提出了基于公共矢量的总间隔v最小类内方差支持向量机(TM-v-M(CV)2SVMs)。TM-v-M(CV)2SVMs在保留了TM-v-MCVSVMs的优点同时,通过引入由公共矢量构成的散度矩阵Scom的方式,进一步加强了分类过程中的抗噪性能。通过在BioID人脸数据库中进行的噪音人脸分类实验证明,TM-v-M(CV)2SVMs具有更好的分类性能和抗噪性能。　　 第五部分提出了基于公共矢量的最小类内方差支持向量机(CV-MCVSVM)。CV-MCVSVM以TM-v-M(CV)22SVMs为基础,在优化问题的定义中,将每个训练样本减去了两类样本的公共矢量的均值,去除了两类训练样本中的相同的信息,从而更多的保留了分类信息。而且CV-MCVSVM中的支持向量具有稀疏性,提高了解决二次规划问题的速度。在BioID人脸数据库和自己在生活中拍摄的人脸数据库中进行了噪音人脸的分类实验,实验结果证明CV-MCVSVM具有更好的分类性能和抗噪性能。