针对各种类型的数据，选取恰当适合的核函数和具有代表性的数据特征，对支持向量机而言，至关重要。无关特征蕴含冗余或无用的信息，干扰支持向量机的学习性能；不同类型的核函数的选取，影响支持向量机的泛化性能，尤其是，当数据是大量的、高维的、异构的，单核的SVM求得的分类效果不理想，相较于单核函数，多核学习训练算法采纳多个基本核函数的不同形式的组合，可以增加模型的灵活性和决策函数的可理解性，提升模型的预测性能。因此，选择有用的数据样本特征和灵活设计多核函数及其参数，可以改善分类器的性能，提高支持向量机学习性能和泛化性能。　　论文主要研究目标为：将核度量标准之一的核极化、特征选择以及多核学习融入最小二乘支持向量机LSSVM，提出基于核极化的LSSVM算法：基于核极化的特征选择LSSVM算法和基于核极化的多核学习LSSVM算法，通过应用于特征选择、分类和滚动轴承故障识别，验证所提算法的有效性。具体内容如下：　　1.探索了一种基于核极化的特征选择LSSVM算法，首先，利用核极化梯度迭代算法对样本中每个特征的重要性程度进行测定；然后，按特征的重要性大小进行样本的特征选择，并运用LSSVM对选出的特征子集进行训练和测试。　　2.探索了一种基于核极化的多核学习LSSVM算法，首先，按某种规则提取数据集的特征向量，选择基核及其核参数值；然后，利用核极化确定每个基核的组合权系数，再凭据多核学习原理构造多核函数；最后，建立多核算法学习LSSVM的模型，进而，进行算法模型的训练学习和预测。