最近,模式识别中各种各样的依赖于机器学习的应用技术已得到了极大的关注,这些技术能够简化许多复杂的手工处理过程并减少人类干预,为智能系统的构建带来益处。论文探讨了基于支持向量机(Support Vector Machines,SVM)及其多核学习方法在分类问题中的应用研究,这是模式识别领域的一个重要方向。SVM分类器已由最初的线性形式,通过使用核技术扩展为非线性形式,通过比较单一核与多个核函数线性组合的不同性能,进一步研究多核学习(Multi-Kernel Learning,MKL)的应用。论文主要比较了使用一些不同的广泛应用于实际中的基准数据集的分类性能,这些数据集包含乳腺癌、心电图、脑波电图等,一些是两分类问题,另一些是多分类问题。在基于单一核函数和多核函数学习的过程中,考虑了特征归一化后,对不同分类数据集的分类精度影响,进一步还考虑了不同核函数,不同特征归一化后,数据分来所具有的不同结果。用来度量分类器性能的标准是精度、接收运行域特性(Receiver Operating Characteristic,ROC)曲线和ROC曲线下的面积(Area Under ROC Curve,AUC)。进一步论文还使用MKL方法对卫星图像进行分类,并延伸至遥感应用领域。主要研究内容如下:(1)主要将四个核函数使用于SVM方法,具体包括线性、高斯多项式、Sigmoid函数。然后,基于十一种基准数据集,选择不同的特征规范化条件,通过应用这四种核函数以及对不同核函数选取最佳的核参数,并且考虑了数据集被划分为训练集、交叉验证和测试集时,单一使用每个核函数时,如何能够获得最佳性能。(2)在同等条件及数据下,基于MKL算法,通过优化参数以获得较好的分类性能,分类结果以直方图形式展现出,区分不同方法的性能,由精度和AUC的结果表示。(3)将基于多项式核组合的MKL方法应用于遥感分类中,并与文献的研究结果进行比较以表明方法的有效性。