本文针对支持向量机中的分类问题进行了一些研究。支持向量机以其独特的优点得到相关学者的关注，同时在不同的领域得到广泛的应用。本文针对样本数据中存在孤立点与不平衡数据的情况，提出了两种分类方法，具体研究如下：　　针对样本数据中存在孤立点的情况，在学习双支持向量机的基础上，通过引入模糊隶属度函数，提出一种新型模糊双支持向量机，并给出相关求解算法。该支持向量机结合了双支持向量机和模糊支持向量机的优点，既有克服过度拟合的特点，又能够增强其分类推广能力。UCI基准数据集上的仿真结果验证了所提方法的有效性。　　针对一般的不平衡数据分类，在学习马氏椭球学习机的基础上，提出了一种关于马氏椭球学习机的凸二次规划算法。该算法改进二阶锥规划算法，寻求一个超椭球去包含来自一类的几乎所有的点而同时将另一类几乎所有的点排除在该椭球之外，进而将马氏椭球学习机转化成二次规划来求解。UCI基准数据集上的仿真结果验证了所提方法的有效性。