随着图像分类技术的不断发展,多核学习由于其优秀的分类性能已经在图像分类任务上取得了丰富的研究成果,同时集成学习能够集成多个分类器以获得相对于单一分类器更显著优越的泛化能力,本文将多核学习与集成学习相结合构造了一种多核集成学习模型。考虑到深度核学习的对样本的数据表示比传统的核方法好,本文将多核集成学习与深度核学习相结合构造了一种深度多核集成学习模型。本文的主要研究内容如下:（1）提出基于集成损失的多核集成学习图像分类方法。本文结合多核学习和集成学习的特性,通过引入集成损失的概念来构造多核集成学习模型。传统的多核学习方法是将多个基本内核构造为一个组合核,并且在一个核空间内训练多核模型。而本文所提出的多核集成学习模型旨在多个核空间中训练多核模型,然后每个单核模型可以通过最小化集成损失来达到共同优化的目的。此外在UCI数据集和计算机视觉数据集上的实验结果表明,多核集成学习方法在分类精度上优于传统的多核学习方法,验证了该多核集成学习方法在图像分类任务上的有效性。（2）提出基于深度集成损失的多核集成学习图像分类方法。本文将多核集成学习与深度核学习结合,通过引入深度集成损失的概念来构造深度多核集成学习模型。该模型将子网络作为从原始输入空间到特征空间的内核映射,并且集成多个子网络中所产生的损失来构造深度多核集成学习网络模型的损失函数。在网络训练阶段,使用该集成损失进行反向传播能够实现网络特征的共享,获得更加准确的数据表示。在CIFAR-10和SVHN计算机视觉数据集上的实验结果表明,深度多核集成学习方法与传统的深度核学习方法相比能够取得更好的分类结果,验证了该深度多核集成学习方法在图像分类任务上优越性。（3）设计并实现基于多核集成学习方法的图像分类系统。该图像分类系统主要由数据管理模块和图像分类模块组成,其界面设计清晰简洁,能够很好地满足文中多核集成学习图像分类方法的实验需求,且在多次训练和分类的测试中,该系统可以保持稳定的性能。