基于数据的机器学习是现代智能技术中的重要方面，研究从观测数据(样本)出发寻找规律.利用这些规律对未来数据或无法观测的数据进行预测．包括模式识别、神经网络等在内，现有机器学习方法共同的重要理论基础之一是统计学.传统统计学研究的是样本数目趋于无穷大时的渐近理论，现有学习方法也多是基于此假设．但在实际问题中，样本数往往是有限的，因此一些理论上很优秀的学习方法实际中表现却可能不尽人意．　　 1995年Vapnik等人在统计学习理论的基础上提出了一种模式识别的新方法一支持向量机，它是借助最优化方法解决机器学习问题的新工具．支持向量机根据有限的样本信息在模型的复杂性与学习能力之间找到一种折衷，以期获得最好的泛化能力．支持向量机一经提出就引起广泛重视，成为研究热点．近年来随着支持向量机的发展，由于样本的不稳定性导致的分类不准确问题越来越受到关注，并由此开始了对支持向量机稳健性的研究．　　 市场是企业营销活动的出发点，也是最终归宿．对于汽车生产企业而言，深刻认识消费者市场的特点，准确把握消费者的购买行为及其影响因素，才能科学确定产品的销售对象，有针对性地制定产品、价格、分销和促销策略，提高市场营销的效率，在充分满足消费者需要的前提下实现企业的发展目标．　　 本文主要研究多分类支持向量机的稳健性问题，利用改进的惩罚函数控制噪声点，并将其运用到汽车客户购买行为的分类上．