分类与回归技术大部分已经应用到图像分类,物体识别,信息安全等各个方面。而集成学习通过多个学习器进行合理组合方式可以有效地提升模型地分类与回归效果。本文针对单核无法有效提高学习器的泛化能力,研究将多核学习与集成学习进行融合的相关方法和技术,以提高回归模型的泛化性与鲁棒性。本论文主要工作如下:(1)提出了基于稀疏损失诱导的多核集成回归方法。针对单核无法有效提高基础学习器的泛化能力问题,论文研究采用集成学习的方法将多个核回归器进行融合学习,从而解决单核回归器中核函数及其参数选择的难题。所采用的多核集成模型通过建立对多个希尔伯特空间中的多核基回归器的稀疏损失,使得模型在整个训练过程中共同优化并得到相对应的权重,最终构造出多核约简的集成回归模型。实验在UCI公共数据集与计算机图像数据集分别进行回归与分类测试,实验结果表明,该算法与其他集成算法例如Random Forest,Adaboost,XGBoost等算法相比,取得了更好的回归与分类效果。(2)提出了基于多神经网络集成的图像分类方法。论文进一步研究基于深度神经网络的多神经网络集成的图像分类方法。通过集成学习与多种激活函数相结合将传统的神经网络拓展为多神经网络并行化的集成网络结构,这样每一层结构的神经网络可以保存更多有效的特征信息,进而提高模型泛化能力。在MNIST,CIFAR-10计算机图像数据集进行分类测试,实验结果表明,与卷积神经网络与其他并行网络算法相比,该算法可以取得更好的分类准确性。(3)设计了基于多核集成回归的图像分类原型系统。在上述研究的基础上设计了基于多核集成回归的图像分类原型系统。原型系统分为多用户角色模块与图像分类模块。从图像分类结果表明,该图像识别系统可以实现所需功能。