单类支持向量机被认为是最常用的单类分类器。与传统的单类支持向量机相比,最小二乘单类支持向量机(least squares one-class support vector machine,LS-OCSVM)能够更加准确地描述新样本与训练集的相似度。然而,LS-OCSVM对训练集中的离群点(outliers)非常敏感,其根本原因在于离群点对应的平方误差函数值较大,从而使得LS-OCSVM会更多地偏向于这些离群点。为了提高LS-OCSVM的分类性能,该文对LS-OCSVM开展了研究,提出了两种LS-OCSVM的改进方法。1.提出了基于截断L1(capped L1)范数的鲁棒最小二乘单类支持向量机(robust least square one-class support vector machine with capped L1-norm,RLSOCSVM-CL)。所提出的方法通过对每一个样本对应的损失加一个上界,使得对应于训练集中离群点(outliers)的较大损失被限定在一个较小的范围内,减轻他们对超平面的影响,提高LS-OCSVM对于离群点的鲁棒性。为了验证所提方法的有效性,分别在人工数据集和UCI基准数据集上和其他相关方法进行了比较,实验结果表明RLSOCSVM-CL具有更优的抗离群点性能。2.提出了基于C损失函数的鲁棒单类最小二乘单类支持向量机(robust least square one-class support vector machine with C-loss function,RLS-OCSVM)。RLS-OCSVM使用非凸有界的C损失函数函数代替LS-OCSVM中的无界平方损失函数,有效地抑制了离群点所产生的损失,进而提高了RLS-OCSVM对于离群点的鲁棒性。为了验证RLS-OCSVM的有效性,分别在人工数据集、UCI基准数据集及手写数据集上与三种相关方法进行了比较,实验结果表明所提RLS-OCSVM对于离群点具有更优的鲁棒性。