دسته بندی از مسائل اصلی در یادگیری ماشین است ‎‎به طوری که مسائل متعددی از دنیای واقعی را می توان به صورت آن مطرح و حل کرد. یکی از روش های قدرتمند که در حال حاضر به صورت گسترده برای مسئله دسته بندی مورد استفاده قرار می گیرد، روش ماشین های بردار پشتیبان است. یک فرض اساسی در این روش این است که داده ها قطعی هستند در حالی که در دنیای واقعی داده ها معمولا دارای عدم قطعیت هستند. عدم قطعیت داده ها در مسائل دسته بندی بر جواب مسئله بسیار اثر گذار است، از این رو به مطالعه عدم قطعیت داده های ورودی در ماشین های بردار پشتیبان می پردازیم. با استفاده از مدل های عدم قطعیت مختلف، دسته بندی استوار را به صورت مسائل برنامه ریزی خطی یا برنامه ریزی مخروطی درجه دوم بیان می کنیم. در پایان نیز دسته بندی معمولی و استوار را پیاده سازی و روی چندین مثال واقعی با یکدیگر مقایسه می کنیم. آزمایشات عددی نشان از برتری مدل استوار دارند.