该文主要研究基于核函数的机器学习方法(以下简称核学习方法)的理论、算法和应用.针对目前核学习方法中存在的一些问题:如何提高现有的核学习算法的速度、性能,如何扩大核学习方法的应用范围,增加核函数的种类、核函数的选择、核参数的选择等问题,该文对核学习方法理论展开了较深入地分析和研究,并取得了一些有意义的成果,解决了核学习方法中存在的一些问题.该文主要研究工作和创新成果如下:(1)核学习方法支持向量机(简称SVM)学习算法的研究:探讨了SVM算法原理和有解条件,同时分析和比较了现有的几种SVM学习算法性能.(2)核学习方法中核函数的研究:核函数是核学习方法的核心部分.该文中,我们研究和分析了核函数与非线性映射以及所映射空间之间的关系.研究了核函数以及核参数对学习机器性能的影响,并给出了选择核函数的几条原则.最后提出了一类新的核函数-自相关核函数.(3)核主分量分析(简称KPCA)算法的研究:探讨了KPCA算法原理,并将该算法应用于特征提取中,通过实验将该算法与其它一些特征提取算法进行了分析和比较.(4)核Fisher判决分析(简称KFDA)算法的研究:探讨了KFDA算法的原理,并将该算法应用于特征提取中,通过实验对该算法与其它一些特征提取算法进行分析比较.提出了一种快速、简单的基于KFDA的多类分类算法.该算法简单、准确、快速.并通过一定的买验比较了我们的算法与常用的两种多类分类算法one-to-one,one-to-all的性能,实验结果验证了我们方法的良好性能.(5)核聚类算法的研究:探讨了K-均值聚类算法,通过将核学习理论与K-均值聚类算法结合,提出了一种基于CPD核函数的快速核K-均值聚类算法,并将该算法与基于Mercer核的核聚类算法进行了比较.(6)核学习方法在人脸识别上的应用研究:提出了一种基于核学习方法的高性能人脸识别方法.