对于支持向量机（SVM）学习而言，通过对偶性推导的最小二乘SVM（LS-SVM）模型是一种广泛使用的模型，因为它具有明确的解决方案。 但是其局限性在于解决方案缺乏稀疏性。 在本文中，我们通过表示定理推导了另一个等效的LS-SVM模型，并证明了新模型可以在某些稀疏解中准确求解，但不能像某些研究人员那样在近似稀疏解中求解（Suykens等，2000; Suykens等人，2002b； Kruif和Vries，2003； Zeng和Chen，2005； Jiao等，2007； Kuh和Wilde，20

针对在三维表面上均匀采集的少量数据点,提出一种基于压缩感知与最小二乘支持向量机(LSSVM)的三维组织表面重建方法.通过结合采用拟合与插值方法得到与待重构表面数据相同数目的数据点集,采用离散余弦变换(DCT)分别得到其三维坐标的稀疏系数,用设计的自适应观测矩阵进行观测,并选用正交匹配追踪算法作为重构算法,最后采用LS-SVM回归预测模型对压缩感知重构结果进行修正.实验结果表明:该重建方法得到的组织表面数据误差小,能保持在1mm左右,重建表面光滑,为基于虚拟现实的虚拟手术系统提供了精确的表面数据模