自1995年Vapnik等人提出了基于统计学习理论和核技巧的支持向量机算法以来,基于核的机器学习方法(即核方法)取得了迅速的发展,目前已成为机器学习和人工智能领域的研究热点之一,广泛应用于图像处理、生物信息技术、入侵检测技术和文本分类等多个领域。进一步研究支持向量机,无论对核方法理论的完善和发展,还是对核方法在应用领域的进一步拓展,都具有十分重要的意义。核函数作为实现非线性映射的重要途径是支持向量机得到广泛应用和取得良好效果的关键所在。本论文的目的就是研究多核函数的性质与构造。研究多核的意义在于一方面可以扩展提高支持向量机的应用性,进而扩展模式分析、人工智能和机器学习；另一方面核作为一门独立的学科,刚刚处于发展的初始阶段,其潜力还远远没有得以完全发掘。本论文主要创新工作是：1.针对多数据源或异构数据集,采用单个核函数的效果不是太理想,提出了鲁棒性更强的多核函数。根据不同的属性选择不同的核函数或者参数不同的核函数,提高核的学习能力及泛化能力,并证明了新核的合法性；2.将多核学习引入到模糊聚类分析中,提出了一种多核模糊聚类算法。通过选取子核函数及其参数构造多核函数,使得输入空间的样本经多核函数映射后,增大不同类别样本间的差别,提高了核函数的学习能力和泛化能力。克服了全局核函数学习能力较弱和局部性核函数泛化能力较弱的问题,与单核聚类算法相比较,提出的算法能更好地实现聚类。3.支持向量聚类是一个无监督学习模型,聚类效果完全取决于所选取的核函数。高斯核是支持向量聚类中常用的。但由于高斯核宽度的局限性,决定其核机器泛化能力较弱,因而提出将泛化性能更好的加权多宽度高斯核引入支持向量聚类算法,以期达到更好的聚类效果。