图像的特征提取是数字图像分类、识别、检测等机器学习和模式识别任务的主要问题。经典的线性特征提取方法已经越来越难以满足当今更为复杂和严格的任务要求，基于核学习方法的特征提取方法通过隐性映射非线性空间，是如今得到广泛使用和快速发展的特征提取方法。但基于单核的经典特征提取方法由于受到包含异构信息的数据源，以及描述特征类别数的限制，处理复杂和高精度要求的图像分类识别等任务的应用效果将会受到影响。针对上述问题，本文研究基于多核学习方法的图像特征提取，旨在解决传统单核学习面临的上述诸多问题，提高图像特征提取系统性能。全文主要工作如下：在技术体系方面，本文研究了基于多核映射的图像特征提取架构，以及应用该架构的图像分类算法，深入探讨了影响多核学习效果的关键因素，详细介绍了基于图嵌入的特征提取架构，并研究了将多核映射和图嵌入结合的特征提取方法，利用图嵌入方法对于经典特征提取方法良好的归纳特性，成功扩展出基于多核的线性判别分析和线性判别嵌入两种特征提取方法。在方法研究方面，为了进一步提升基于多核映射的特征提取算法的应用效果，本文针对包括基本核函数参数，多核函数权重参数，多核函数组合形式等在内的影响该算法效果的多个参数进行了深入研究，分别对这些参数进行优化设计，并将各项优化方法进行结合使用，使得基于多核映射的特征提取方法的应用效果进一步提升。在实验验证方面，为将本文研究的基于多核映射的特征提取方法和经典的特征提取方法进行实验对比，本文分别应用基于多核和单核的图嵌入特征提取架构开发了相应的图像分类算法，在用于人脸识别，物体分类和图像分割在内的多个数据库上进行图像分类实验，并根据实验结果进行对比，同时给出详细的对比分析，实验结果表明基于多核的图像特征提取算法在图像分类应用领域较之其他单核方法有更高的准确度。最后针对影响当前基于多核映射的特征提取方法算法效率的主要因素进行分析，并给出相应的改进方法。