最小二乘支持向量机只需要一个解就可以得到闭式解，且训练速度快，因此在分类问题中得到了广泛的应用。然而，最小二乘支持向量机模型容易受到异常值和噪声的影响，这往往会降低其分类精度。样本点的模糊加权是解决这一问题的有效方法。直觉模糊集既包含样本点的成员信息，也包含样本点的非成员信息，可以更详细地描述样本点的分布特征。因此，在直觉模糊集的基础上，通过剔除异常值获得更准确的类中心，然后计算样本点到类中心的距离，从而获得样本点对其所在类的隶属度。同时，利用核k-近邻法在样本点的k个近邻中寻找另一类样本点的个数，从而得到样本点的非成员信息。最后，根据样本点的隶属度和非隶属度，得到一个新的模糊值。此外，提出的模糊值用于改进最小二乘支持向量机模型。通过给出异常值和低噪声模糊值，减少了它们对最小二乘支持向量机模型的影响，提高了最小二乘支持向量机模型的精度。实验结果表明，与现有算法相比，新算法能有效地降低异常值和噪声对最小二乘支持向量机模型的影响，提高模型的鲁棒性。