本文主要研究如何通过充分降维对核支持向量机（Kernelized Support Vector Machine）进行改进。在机器学习领域中,支持向量机（Support Vector Machines,SVM）是一种重要的分类器。核支持向量机则是为了应对复杂分类问题而对支持向量机的改进,其主要思路是通过映射函数对原特征进行改变或增维。在核支持向量机中,核函数起着重要作用。根据核函数,可以基于原样本点的取值直接计算Gram矩阵,以刻画增维后的样本点之间的位置关系,而不需要给出增补特征的样本取值,这意味着,如果需要的话,可以将特征增广到无穷维。然而,特征的增补并非越多越好,如果增补的特征中存在大量对于分类结果并不有效的信息,那么真正有效的特征作用反而会被冲淡。因此,本文针对增维后的特征再进行降维,以此减少冗余信息,收集有效特征信息并优化模型。考虑到上述降维是在非参数环境下进行,我们选择从充分降维出发设计该问题中的降维方法。具体而言,我们选择从累计平均估计（Cumulative Mean Estimation,CUME）方法出发。累计平均估计所基于的分布加权思想在信息的充分利用方面独具优势,而如前所述,我们所要面对的问题本质上可能会是无穷维向量的降维,这就是我们选择累计平均估计作为出发点的理由。基于累计平均估计（CUME）,本文提出了核累计平均估计K-CUME,（Kernel Cumulative Mean Estimation）充分降维方法。其主要原理是,基于核函数与增维后特征之间的关系,通过内积运算,将CUME对增维后特征的降维转化为对Gram矩阵的操作,从而回避了对增维后的无限维特征的直接处理。基于上述思路,本文给出了完整的K-CUME算法。文中通过对一个环状高噪声模拟数据集的分析和一个真实的葡萄酒数据集研究验证了K-CUME算法的效果。