多核学习在解决不规则和异构的大规模非线性数据问题时表现出良好的泛化性和灵活性。多核学习正则化路径是一种多次求解多核学习,选择最优模型的措施。多核学习正则化路径算法处理大规模数据时,核矩阵规模较大,计算代价高,影响着优化模型效率。如何简化矩阵的计算,提高正则化路径的效率,是值得研究的问题。在致密砂岩CT图像研究中,采用机器学习方法进行孔隙和非孔隙分割,降低了对研究人员专业程度的要求,可以提高分割的效率。本文的研究工作以矩阵近似计算提高算法效率、图像多特征融合以及孔隙分割问题展开,主要内容如下:1.提出了一种基于CUR矩阵分解的多核学习正则化路径近似算法(MKLRP_CUR)。该算法将CUR矩阵分解方法应用到多核学习正则化路径算法,在多核学习正则化路径求解计算中应用抽样技术,依据矩阵行和列的概率抽取大规模高维矩阵的部分行或列,将高维矩阵分解为三个低秩矩阵,然后利用三个低秩分解矩阵的乘积近似代替核矩阵,调整所有矩阵计算顺序,优化算法的计算效率。MKLRP_CUR近似算法缩小了计算矩阵的规模,降低了矩阵计算的复杂度,提高了多核学习正则化路径算法的计算效率。2.致密砂岩CT图像像素点的特征提取。为了对致密砂岩CT图像进行孔隙分割,首先对图像采用双边滤波和直方图均衡化进行预处理,然后分析图像中孔隙和非孔隙的特点,确定了提取CT图像像素点的颜色特征、纹理特征、形状特征、边缘特征以及梯度特征等,为下一步像素点分类做准备。3.致密砂岩CT图像孔隙的分割。首先截取砂岩CT图像包含孔隙的局部区域,构建图像像素样本集,然后提取像素的多种特征,采用MKLRP_CUR近似算法建立分类模型,模型的输入为图像像素提取的特征,输出是图像像素是否为孔隙的分类结果。最后,采用训练好的分类模型对整张CT图像像素进行分类,根据分类结果对像素进行二值化,生成孔隙分割图像,并采用双边滤波和形态学运算对生成的孔隙分割图像进行后处理,从而较准确的对砂岩CT图像进行孔隙分割。