Bài toán phân lớp dữ liệu là một trong những vấn đề cốt lõi của học máy và khai phá dữ liệu. Luận văn này tập trung nghiên cứu mô hình máy vectơ hỗ trợ sử dụng chuẩn Lp (Lp-SVM) cho trường hợp dữ liệu không khả tách tuyến tính. Khác với SVM chuẩn (L2-SVM) thường nhạy cảm với nhiễu và ngoại lai, mô hình Lp-SVM với tham số p (0 < p ≤ 2) mang lại tính linh hoạt cao hơn trong việc kiểm soát độ phức tạp của mô hình và khả năng khử nhiễu. Luận văn trình bày cơ sở lý thuyết về bài toán tối ưu của Lp-SVM, phân tích ảnh hưởng của tham số p đến độ chính xác phân lớp và khả năng tổng quát hóa. Đồng thời, các thuật toán giải bài toán tối ưu phi tuyến tương ứng được đề xuất và thử nghiệm trên các bộ dữ liệu chuẩn. Kết quả thực nghiệm cho thấy mô hình Lp-SVM, đặc biệt với các giá trị p nhỏ hơn 2, có thể cải thiện hiệu năng phân lớp so với SVM truyền thống trên các tập dữ liệu có cấu trúc phức tạp và nhiễu, khẳng định tính hiệu quả của phương pháp trong thực tiễn.