基于核的机器学习方法（简称核方法）是人工智能和机器学习领域的研究热点之一,广泛应用于图像处理、生物信息技术、文本分类和入侵检测技术等多个领域。其中,极限学习机和支持向量机（SVM）作为一种高效的分类和检测工具引起了广泛关注。本文提出了一种分布式算法来解决核极限学习机以及SVM在大规模数据集中的应用问题。首先,核极限学习机虽然能够解决复杂的非线性问题,但当处理大型核矩阵时十分耗时。基于此,本文提出了一种分布式约简核极限学习机方法,用于解决核函数矩阵维度随着数据规模的增大而呈级数式增长,从而导致机器负载过重的问题。在分布式约简核算法中,我们将数据随机分配给不同的节点,且节点之间的通信是固定的,不依赖于每个节点上训练数据的大小,而是依赖于网络拓扑结构。实验证明分布式约简核技术可以极大地减少计算负载和内存使用。其次,SVM作为一种机器学习技术,已经成为数据分析的热门工具,特别是在引入软间隔损失函数之后,许多不同的损失函数结构相继被提出,更是拓宽了SVM的应用领域。考虑到0-1软间隔损失函数是最原始的损失函数,此外,它可以产生较少的支持向量。为此,本文提出了一种基于0-1软间隔损失函数的分布式支持向量机（DSVM）方法。此方法的核心是将一个目标函数划分为子目标函数,然后将子目标函数分配给多台计算机进行处理,多台计算机之间相互通信和协作,以找到最优的全局目标函数。通过对大规模数据集进行实验发现,我们提出的分布式算法可以取得与集中式算法几乎相同甚至更稳定的结果。最后,本文对分布式算法的计算性能进行了验证,通过设定不同规模的数据量及不同的参数,探讨所提分布式算法的稳定性及扩展性问题。