二分类问题是统计学习理论、机器学习以及人工智能中研究的一个重要问题。由于随机的或者非随机过程的存在,现实生活中的数据经常带有噪声和不确定性。数据的噪声以及不确定性会影响统计学习分类算法模型的性能,降低分类的准确率及其分类模型的推广能力。《鲁棒最小二乘支持向量机研究与应用》从加强最小二乘支持向量机模型的鲁棒性和稀疏性、增强其推广能力的理念出发,系统整理了文献中对最小二乘支持向量机模型(LS-SVM)中改进鲁棒性的方法,提出了改进LS-SVM鲁棒性的三个模型:KPCA-L1-LS-SVM、FL1-LS-SVM和RW-Lp-LS-SVM模型,分别从特征压缩、噪声点的剔除以及样本信息重要程度的角度出发对LS-SVM模型的鲁棒性做了改进。