机器学习领域中,原始训练集中的噪声一般分为属性噪声和标签噪声,大多数情形下,标签噪声的危害大于属性噪声,并且会严重影响分类器的验证准确性。为了消除标签噪声的负面影响,主要是基于过滤器或基于鲁棒算法过滤标签噪声,据此有人提出了一种基于完全随机森林的标签噪声滤波学习（CRF-NFL）框架,这个滤波框架使用完全随机森林（CRF）作为过滤器。CRF-NFL框架除了可以有效地滤除标签噪声外,也可以结合各种分类器对滤波后的训练集进行训练,即可以结合其他鲁棒算法过滤标签噪声,进一步提高滤波性能。但是,这个框架有两个缺点,一是完全随机森林尚未优化,无法使分类器的验证准确性更高;二是它仅关注各种分类器的组合,如当选取经典支持向量机（SVM）作为结合分类器,组合而成的CRF-NFL-SVM模型,在二分问题中,没有考虑支持向量机的鲁棒性,在高噪声训练集下,此时CRF-NFL-SVM模型性能并不理想。鉴于CRF-NFL框架的两个不足,本文基于CRF-NFL框架和支持向量机理论做了相关研究,主要研究成果如下:首先,本文优化基于完全随机森林的标签噪声过滤方法。通过投票阈值的优化,能更好地过滤掉原始训练集中的标签噪声,使得分类器的验证准确性更高。同时,因为完全随机森林与随机森林比较没有剪枝过程,支持向量机不需要交叉验证,效率也得到提高其次,本文提出方法改进了支持向量机算法在二分问题下的鲁棒性。因为标签噪声是使原始数据集不可分割的一个重要因素,线性不可分问题从理论上转化为线性可分的关键在于将惩罚系数最大化,据此可以根据线性可分求解最大超平面,从而增加了算法的抗噪能力,提高了支持向量机的鲁棒性。最后,根据以上优化改进,本文提出一个基于完全随机森林的高效鲁棒支持向量机模型（CRF-ERSVM）。采用UCI数据集,在含20%的噪声数据集下,该模型与经典支持向量机模型、CRF-NFL-SVM模型相比,验证精度分别提高5.18%和4.18%。