半径-间隔学习方法作为机器学习领域较为热门的研究方向之一,在分类和识别等应用中得到了广泛的关注。半径信息的变化隐含在特征变换过程中,对于分类器的性能优化起着重要的作用。现有的半径-间隔学习方法均存在一定的缺陷和不足,限制分类器性能的进一步提升,同时算法的计算效率也有待提高。针对上述问题,本文从模型优化的角度出发,构建了一个高效的基于Log-det正则化的半径-间隔支持向量机模型(L-SVM)。由于传统的半径-间隔SVM属于有约束的非凸模型,本文首先通过对半径R进行约束近似,将原始问题转化为无约束的凸优化模型,并采用Log-det正则化项进一步降低模型过拟合的可能性,同时给出了高效的算法求解策略。后续在多个UCI数据集上的线性和非线性分类结果验证了模型的有效性。其次,为了验证模型的泛化能力,我们将提出的模型应用于动作识别任务中,通过对视频提取多种局部特征,并采用Fisher Vector进行编码,最终用L-SVM分类器进行分类。实验结果表明本文提出的模型具备良好的泛化能力,能够适用于各项不同的分类识别任务。通过将逐层次的特征提取和分类器学习相结合,卷积神经网络(CNN)在计算机视觉的多项任务中都取得了优异的性能。受此启发,本文将L-SVM模型嵌入到CNN框架中,通过交替迭代优化的方法提升动作识别的性能。为了提升CNN特征的区分能力,本文还将center正则化项加入到目标函数当中,保证在最大化类间间隔的同时最小化类内间隔。此外,本文也尝试在CNN网络中间层加入监督信息,以进一步提升算法的收敛性能。通过对不同的半径-间隔学习方法、加入center正则化项以及监督信息的性能对比分析,本文为CNN和半径-间隔学习方法的结合提供了崭新的视角。