孪生支持向量机(TWSVM)是用于分类问题的经典距离度量学习方法。 TWSVM标准是根据平方的L2-范数距离制定的,因此容易受到异常值的影响。 在本文中,为了开发鲁棒的距离度量学习方法,我们为使用鲁棒的L1范数距离度量的TWSVM分类器提出了一个新的目标函数L1-TWSVM。 优化策略是通过使用健壮的L1范数距离而不是传统的L2范数距离来最大化类间距离色散与类内距离色散的比率。 最终的目标函数在优化方面更具挑战性,因为它涉及一个不平滑的L1范数项。 作为本文的重要贡献,我们设计了一种简单但有效的迭代算法来求解L1范数最优问题。 该算法易于实现,并且在理论上保证了收敛到最佳状态。 L1-TWSVM的效率和鲁棒性已通过在UCI数据集和合成数据集上的广泛实验得到验证。 有希望的实验结果表明,我们的建议在各种实验环境中均优于相关的最新技术。