分位点回归学习是统计学习理论中的研究领域之一,最初是由Koenker和Hallock提出,目的是为了估计条件分位点函数fρ,T现有的文献主要采用再生核Hillbert空间作为假设空间(核为Mercer核),这促使我们把系数正则化的思想引入分位点回归学习。所谓系数正则化,即是对广义核函数(连续、有界的二元函数),通过样本点得到算法的假设空间,进而利用该假设空间中函数的线性展开的系数构造惩罚项。本文具体研究基于(?)2、(?)1、(?)Q(1≤Q≤2)范数的分位点系数正则化学习算法。我们利用积分算子的技巧,通过引入正则化函数fλ和属于假设空间的函数fz,λ对误差进行分解,将之分成三部分,即逼近误差,假设误差,样本误差。采用覆盖数的方法以及算子范数的估计,对上述误差项分别进行估计,得到算法的误差界与学习速率。本文的内容分为如下几部分：第一章主要介绍统计学习理论的发展历史和基本框架。第二章介绍正则化回归学习,首先说明了正则化的基本思想,继而给出核正则化算法和系数正则化算法的研究现状。第三章介绍了分位点回归学习问题及其研究现状,这一章主要研究基于(?)2、(?)1、(?)Q(1≤Q≤2)范数的分位点系数正则化学习算法,利用积分算子与误差迭代技巧,推导出算法的误差界与学习速率。第四章总结目前已完成的工作,给出下一步工作的计划。