基于类中心确定隶属度函数的模糊支持向量机能有效地解决支持向量机对噪声或孤立点敏感度高的问题,但是,由于它对支持向量赋予较小的隶属度,从而降低了其分类作用。基于此,提出一种新的隶属度函数确定方法。同时,针对模糊支持向量机普遍存在因核函数计算量大,而导致训练时间长的问题,通过使用一种高效的去边缘方法对训练样本进行预处理,去掉部分不是支持向量的样本,优化约简训练样本的个数以提高训练速度。根据上述新的隶属度函数确定方法和去边缘方法,构建了一种新的模糊支持向量机,数值实验表明这种新的模糊支持向量机有效地提高了训练速度和分类精度。然而,这种新的模糊支持向量机在处理非均衡数据分类问题时,样本数量少的类的错分率明显高于样本数量多的类的错分率。针对这种不足,提出一种适用于非均衡数据分类问题的隶属度函数确定方法,构造了基于非均衡数据的模糊支持向量机。实验表明,这种模糊支持向量机在处理非均衡数据分类问题时,在确保分类精度较高的同时,能有效地降低样本数量少的类的错分率,从而使两类的错分率趋近相等。