近年来,随着机器学习算法研究的不断深入,核学习成为一个新的热点,着重研究如何建立模型获取一个优质的核矩阵以便恰当地描述数据的内蕴几何结构。传统的核学习方法,诸如多核学习、谱核学习模型等都需要建立在预先定义的核函数之上,因受核函数本身性质的影响,这些模型适应不了所有类型的数据,且算法扩展性差。此外,传统的核学习方法在高维数据上的处理效果不理想,所得核矩阵用于解决实际问题时正确率低、复杂度高。针对传统核学习方法存在的问题,本文将特征提取方法与非参核学习模型相结合,摒除了使用特定核函数的局限性,直接针对目标核矩阵建立优化模型,借助监督信息更好地挖掘数据的簇结构。本文分别研究了稀疏表示理论以及稀疏编码方法与非参核学习模型相结合。论文主要研究内容包括:(1)针对传统核学习方法扩展性差,复杂度高的问题,采用了低秩非参核学习模型,用监督信息和数据拓扑结构构建比例优化问题,并且用低秩分解方法处理。提高了扩展能力和学习效率。(2)针对非参核学习模型在处理复杂数据时效果不理想的问题,提出了基于稀疏表示的低秩非参核学习模型,把稀疏表示理论引入到低秩非参核学习模型中,增加了特征提取的过程,提高了核聚类的精度。(3)针对非参核学习模型求解复杂度高的问题,提出了基于稀疏自编码器的非参核学习模型,用稀疏自编码器的方法进行特征提取,快速有效地对数据进行了特征提取,大大提升核学习的质量和效率。