统计学习理论是目前针对小样本统计估计和预测学习的最佳理论，支持向量机是建立在统计学习理论基础之上的机器学习算法，在解决小样本、高维数据上有很好且稳定的特性。为了降低噪音点对支持向量机的影响，2002年Lin等人将模糊理论引入到支持向量机中提出了模糊支持向量机的概念。本文针对模糊支持向量机现有算法的一些缺陷，提出了两个改进算法。　　本文的主要工作如下:　　(1)提出一种模糊支持向量机问题的求解算法，现有的求解算法中，大都使用一般最优化问题的求解方法，但这些方法并不适合求解大规模模糊支持向量机问题。本文将序列最小最优化算法应用到求解模糊支持向量机的优化问题上，实验结果表明该方法求解模糊隶属度的速度达到了LIBSVM软件的求解水平。　　(2)将增量学习算法引入到模糊支持向量机中，该方法有两个优点:一是引入增量学习，使模糊支持向量机能够应用到大规模样本集上;二是根据增量的特性提出一种新的模糊隶属度求解方法，该模糊隶属度的求解方法不受模糊支持向量机核函数和样本分布的限制。实验结果表明该算法在保证模糊支持向量机分类精度的前提下，大大提升了学习效率。