现如今社会中几乎各个领域,每时每刻都会产生大量形态各异的流数据,这些数据产生的速度极快、数量极大,基本上无法被全部存储,因此对于日益增长的流数据而言,在线学习算法的研究是十分必要的。流数据的特征复杂,且带有强烈的时间特征,随着时间的推移其特征可能会发生微小的变化,基于此本文进一步研究非线性的在线学习算法。非线性模型的关键点是引入核函数,该方法计算相对简单,但一般都用于单任务学习;而对于复杂数据来说,它可能是由多个任务组合而成,这些任务间存在一定的相关性,因此多任务学习方式也是值得关注的一个方向。本文在研究多任务在线学习框架时引入多核方法,这对特征复杂的流数据处理有比较好的理论意义和实际应用价值。本文在多任务在线学习框架的基础上,引入多核的思想形成一个处理流数据的多任务多核在线学习算法。该算法有两个创新点:一是使用遗忘变量来优化权重更新策略,二是使用限定阈值的方法来控制核函数个数。其主要工作如下:为了研究多任务多核在线学习算法,本文将多核方法应用于多任务在线学习框架中。该算法首先通过迭代的方式确定一个适合当前数据特征的核函数组合,然后联合学习多个相关任务,既学习多个任务的共有特征又学习各个任务的固有特征,以便更快捷地处理流数据。此外引入输入窗口的概念,将无法实时处理的数据暂时存储起来,方便在下次迭代时一起计算,以保证数据的完整性。为了进一步优化在线学习算法,本文提出结合遗忘特性的多任务多核在线学习算法,遗忘特性表现在两个方面:一方面是引入一个遗忘变量,从对偶的角度优化权重更新策略,从而提高算法的收敛性,权重包括每个任务的固有权重和所有任务的共有权重;另一方面是当数据量增大、模型趋于稳定时,通过阈值限定的方法对核函数的个数进行遗忘,从而减少基本核函数的使用个数,使计算更加简单,进而提高模型的更新速度。