核学习已被广泛应用于计算机视觉、自然语言处理、遥感影像分析等众多领域。核学习通过隐式映射把原始数据投影到高维空间（甚至是无穷维）,然后通过核技巧将在原始空间线性不可分数据映射为在核空间线性可分。单核学习的主要任务是如何选择一个适用于数据表达的核参数,从而提高核学习的性能。单核学习虽应用广泛,然而它却不能很好的处理具有多源异构特征的数据。多核学习通过融合一组基核巧妙的使用数据的多源异构特征来提高学习性能。相对于单核学习,多核学习将单核学习面临的核选择问题转化为对基核组合系数的优化问题。因此,在多核学习中对学习目标和基核组合系数的优化是一项非常重要的任务。本文涉及的主要工作是求解这两方面的问题。本文的贡献主要包括以下四个方面。（1）提出了一种快速的自加权局部核对齐多核聚类算法。基于局部核对齐多核聚类框架的算法虽然取得了很好的聚类性能,但是该聚类框架存在两个方面的问题。1、忽略了样本局部核之间的差异,在聚类过程中简单均等的使用每一个局部核对齐,没能合理的充分利用每个局部核对齐对聚类性能的贡献。2、该聚类框架的时间复杂度过高,且聚类时间高度依赖于参与聚类的局部核个数,与此同时,该聚类框架忽略了局部核之间的相似性,造成了很多的冗余局部核参与了聚类。为解决第一个问题,本文引入了一个新的优化变量（局部核贡献权重）来衡量每个局部核对齐对聚类性能的贡献,并联合优化贡献权重、基核组合系数、聚类关系矩阵。随后,设计一个三步交替优化算法来求解新的优化问题。为了解决第二个问题,我们使用锚点技术减少参与聚类的局部核个数,从而大大降低了局部核对齐算法的聚类时间。具体锚点思想为:把样本的聚类中心当做锚点样本,只对锚点样本执行局部核对齐,而且锚点的个数可以通过扩展局部核矩阵重构全局核矩阵过程自动确定。大量实验证明了提出算法的聚类性能和时间性能。（2）提出了一种基于全局和局部结构对齐的多核聚类算法框架。针对现有的多核聚类算法在聚类过程中往往忽略了样本局部结构的问题,本文提出了一种基于全局结构和局部结构对齐的多核聚类框架。局部核对齐聚类框架采用的是局部形式来描述样本的局部结构,而全局结构和局部结构对齐的多核聚类框架采用的是从全局的角度挖掘样本的局部结构。该聚类框架可以采用多种流形算法从全局的角度捕捉样本的局部结构。为了说明提出聚类框架的通用性,我们实例化了两个具体的基于全局结构和局部结构对齐的多核聚类算法。其一用局部线性嵌入捕捉数据的局部结构;其二用局部保存投影来捕捉数据的局部结构。大量的实验结果表明了提出多核聚类框架的有效性和通用性。（3）提出了基于核交互的多核极限学习机。针对现有的多核极限学习机框架下的算法在优化基核组合系数时,只使用了对应单核的信息,而忽略了基核在融合期间交互的问题,本文提出了两种改进算法。其一称之为基于矩阵诱导正则的多核极限学习机,即通过设计一个正定矩阵来描述基核之间的相关性,然后用该矩阵诱导的正则项去约束基核组合系数的优化,该算法可以很好的利用基于数据的先验知识去改善极限学习机的性能。其二称之为基于矩阵r,p范数的多核极限学习机。该算法用系数矩阵的r,p范数代替系数向量的p范数来控制基核组合系数的优化。相对于基于p范数的多核极限学习机,基于矩阵r,p范数的多核极限学习机在基核组合系数的选取上有更大的灵活性。随后,针对提出的两种算法分别设计了对应的优化方法,并证明了它们的收敛性。实验结果表明:提出的多核极限学习机泛化性能要优于传统的多核极限学习机。（4）提出了基于核对齐正则化的多核极限学习机。针对一阶段的多核极限学习机在优化基核组合系数时,忽略了样本的标签信息,而两阶段的多核极限学习机在优化组合系数,虽然利用了样本的标签信息,却忽略了基核组合系数的优化过程和网络结构优化过程间交互的问题。本文提出了一种基于核对齐正则化的一阶段多核极限学习机,并给出了对应的优化方法。具体思想为:用样本标签矩阵当做理想核用于核对齐准则,然后把这一准则当做一个正则项加到多核极限学习机的优化目标上。随后,本文设计了对应的优化方法,并给出了该算法收敛性的证明。实验结果表明:提出的基于核对齐正则化的多核极限学习机具有良好的分类性能。