中文摘要：

以支持向量机(Support Vector Machine,SVM)为主要代表的核方法(Kernel Methods)目前在模式识别、函数估计等领域获得了广泛的应用。核函数是影响核方法性能的关键因素，从核函数度量(简称核度量)这个切入点来研究核函数优化选择的关键技术及其应用，以达到进一步提升核方法性能和拓展核方法应用范围的目的。主要研究内容包括1)从特征空间数据点的分布特性出发，设计有效的核度量标准的技术；2)基于核度量的高效的分阶段多核学习(Multiple Kernel Learning,MKL)算法；3)多核学习在自然语言处理词义消歧(Word Sense Disambiguation,WSD)中的应用。本项目的研究不仅对支持向量机具有重要的意义，而且对其它有监督的核学习模型的性能改进也具有重要的应用价值，同时对于如何根据特定的应用领域选择使用核函数问题也具有一定的借鉴意义。