孪生支持向量机是受广义特征值支持向量机启发而提出的一种学习算法,如今它已成为机器学习的重要研究内容之一。由于孪生支持向量机具有的良好分类性能和快速学习能力,因此,它吸引了越来越多研究人员的关注,并且对其进行了较深入的研究,提出了多种不同的孪生支持向量机算法。然而,对于提出的一些算法,为了衡量模型的优劣,它们主要采用了铰链损失(Hinge loss)函数,而此损失函数易导致噪声敏感性和重采样不稳定性。为了进一步提高孪生支持向量机的性能,本文分析研究了几种不同的损失函数,给出了这些函数存在的优点与缺点,在此基础上,基于L1损失函数与Pinball损失函数,并通过引入结构信息和模糊隶属度,对不同损失函数的结构模糊孪生支持向量机进行了研究,具体内容如下:(1)分析研究了分类和回归领域中的损失函数,主要包括0-1损失函数、铰链损失函数、Pinball损失函数、L1损失函数以及L2损失函数,并针对每种损失函数,给出了它们存在的问题以及各自的特点,同时,对L1损失函数和Pinball损失函数具有的优势进行了阐述。(2)基于L1损失的结构模糊孪生支持向量机算法的研究。在L1损失的孪生支持向量机中,为了获得两个非平行超平面,该方法只考虑了样本的类间可分性,而忽略了样本类内的潜在结构信息。另外,该算法并未考虑不同样本对分类决策面的影响,从而使得该方法的泛化性能和抗噪性能较低。为此,在L1损失的孪生支持向量机的基础上,将样本中的结构信息和不同样本的作用引入到该孪生支持向量机中,构建了基于L1损失的结构模糊孪生支持向量机模型,通过求解此模型,提出了基于L1损失的结构模糊孪生支持向量机算法。(3)基于Pinball损失的结构模糊孪生支持向量机算法的研究。为了进一步提高孪生支持向量机的性能,基于L1损失的推广函数,即Pinball损失函数,并考虑样本中的结构信息以及每个样本所起的不同作用,构建了Pinball损失的结构模糊孪生支持向量机模型,利用优化方法对模型求解,提出了基于Pinball损失的结构模糊孪生支持向量机算法,较好的解决了噪声数据对算法的敏感性,以及重取样的稳定性。(4)选取UCI标准数据集与人工数据集,通过使用五重交叉验证法,对提出的算法进行了实验,并与典型的孪生支持向量机算法进行了比较;同时,对结构信息和模糊隶属度的不同获取方法进行了实验研究。