支持向量机是机器学习中使用最为广泛的算法之一,它最初由Vapnik在20世纪90年代提出,伴随着机器学习和数据挖掘的飞速发展,支持向量机赋予了分类问题和回归问题新的意义,吸引了越来越多的学者的关注和研究,它被广泛用于图像处理、语音识别和自然语言处理等方面.传统的支持向量机是通过最大间隔的原则寻找单一的决策超平面达到分类的目的,然而其推广性受到单一超平面的限制,对于交叉性数据以及其他数据的分类性不强.随着双子支持向量机以及非平行支持向量机的提出,通过对每类样本点分别构造相应的非平行决策超平面,使得其推广性和适应性更强.在大数据时代背景之下,伴随着数据类型的多样性以及特殊性,数据的规模也随之增大,对于数据分类的模型构建的要求也在提高.本文从优化问题的角度以及多视角分类的方面进行研究,建立了新的非平行支持向量机分类模型及算法并通过数值实验说明了其有效性.本文结构安排如下:第一章主要介绍本文的研究背景及意义、研究现状以及本文的主要工作.第二章基于非平行支持向量机提出了一类新的分类算法.研究基于优化问题的l1-v-非平行支持向量机,通过构建新的优化问题分类模型使得该算法拥有了较好的解决不平衡分类问题的分类性能.数值实验的结果表明,该算法对于处理不平衡分类问题是有效的.第三章基于双子边界支持向量机提出了一类新的分类算法用于多视角学习.研究多视角双子边界支持向量机,通过建立新的优化问题分类模型,充分利用了多视角数据之间的联系性与差异性,使其在处理多视角数据上具有良好的分类性能和优势,并提出了相应的算法,通过数值实验结果表明了算法的有效性.第四章对本文的研究内容做了一下总结,并提出了可进一步研究的方向.