正确答案是：C: 线性回归模型。

### 分析

线性回归模型是最容易受到异常值影响的原因主要包括以下几点：

1. **模型假设**：
- 线性回归假设数据服从正态分布并且存在线性关系。异常值会破坏这些假设，对回归直线的斜率和截距产生很大影响。

2. **损失函数**：
- 线性回归通常通过最小二乘法进行拟合，其目标是最小化误差的平方和。由于平方的关系，异常值的影响被放大，导致模型偏离大部分数据的趋势。

3. **参数估计的稳定性**：
- 线性回归依赖于所有数据点来估计模型参数。异常值可以显著改变斜率和截距的估计结果，使得模型在正常数据上表现不佳。

### 对比其他选项

- **感知机模型**：
- 虽然感知机在数据上进行线性分隔，但其目标是找到一个可以区分数据类别的超平面，而不是拟合数据点。因此，异常值的影响相对较小。

- **逻辑回归模型**：
- 虽然逻辑回归也受异常值影响，但由于其输出是概率，并且使用的是对数似然损失，其对异常值的敏感性较线性回归有所降低。

- **SVM模型**：
- 支持向量机（SVM）通过最大化间隔来找到最佳分隔超平面，主要依赖于少数支持向量。因为仅使用边界上的数据点构建模型，SVM对异常值的敏感性较低。

因此，在线性回归模型中，特别是当数据包含异常值时，应考虑使用鲁棒回归方法，如岭回归或采用数据预处理措施来减小其影响。