基于统计学习理论而发展起来的支持向量机在处理货币识别这类非线性、高维、小样本模式识别问题方面具有很大的优越性。但是SVM中核函数的选择问题、多种货币特征融合问题和降低SVM分类器泛化误差是至关重要的问题。现有的基于支持向量机的货币识别器的不足之处在于用支持向量机解决货币识别问题时通常会将多种特征融合但是只使用一个核函数，而且损失函数忽略了最小闭包球半径的大小对泛化能力的影响。本文针对这些问题展开了研究，提出了一种新型的SVM货币分类器。这种新型的分类器采用多核学习和在损失函数中融入半径信息，能够有效解决上述三个问题，改善货币识别。　　SVM在处理货币识别时通常会将多种货币特征进行融合，这时选择最适合特征的核函数是非常棘手的问题，核函数对支持向量机的学习能力和泛化能力有重要影响。针对核函数选择问题提出利用多个基础核函数的线性组合构建多核学习支持向量机来处理这一问题。并且多核学习通过核函数可以在训练多核学习支持向量机过程中对货币的特征进行融合，可以有效处理多种货币特征的融合问题。最后提出用简约梯度法和迭代优化的思想、SMO算法来确定每个基础核函数的最优权系数和求解多核学习SVM对偶问题。实验表明多核支持向量机能弥补单个核函数的局限性，能保证支持向量机同时取得良好的学习能力和推广能力。而且多核学习在处理多种货币特征融合方面更有效率。　　SVM分类器的泛化风险取决于最大间隔与最小闭包球半径，传统的SVM模型忽略了半径信息。针对这一问题，论文提出了一种新型的多核模型，该模型融入半径信息，然后优化最大间隔和最小闭包球半径以降低多核学习分类器的泛化风险上界，提高泛化能力。将融入半径信息的二范数软间隔多核学习SVM原始问题转换为标准二范数软间隔多核学习SVM原始问题。然后通过迭代优化的思想和SMO算法对多核学习中各个基础核函数的权系数进行优化和求解多核学习SVM对偶问题。实验表明，融入半径信息后基于二范数软间隔多核学习SVM构造的货币识别分类器的准确率有了提高。