在机器学习领域,通常会遇到对多个存在关联关系的任务建模的情况。传统的思路是使用单任务学习方法对每个任务分别训练模型,这种做法忽略了任务之间的相关关系,损失了存在于数据或者模型参数之间的信息。尤其是在单个任务数据量不足的情况下,单任务模型很难通过训练得到满意的学习效果。多任务学习的提出就是为了解决单任务学习的这个问题,它通过多个存在关联关系的任务中包含的共有信息来提升各任务的学习效果。而充分挖掘这些共有信息并建立快速、有效的求解模型是多任务学习中的重要问题。本文从三部分对多任务学习展开研究:（1）提出了一种基于随机配置径向基网络的多任务监督学习算法（MTSL-SCRBN）。该算法将经典的参数共享多任务学习思想与随机配置网络（SCNs）的约束共享配置思想进行了有机结合。即,不同任务共享网络模型中的线性变换内权参数和核函数的尺度参数,其值通过共享的监督机制进行随机配置。在充分利用任务间的数据信息基础上,达到快速求解的目的。由于多任务之间的关联性的帮助,MTSL-SCRBN中模型超参数的随机配置条件相对于原SCNs算法中的条件更弱。同时,径向基函数的引入让最后的模型具有较强的表示能力。在合理的假设条件下,本文给出了MTSL-SCRBN算法的收敛性证明。一个模拟数据集和三个真实数据集上的实验结果证明了MTSL-SCRBN在处理某些样本不足的多任务问题时具有良好的学习效果和泛化能力;（2）提出基于高维数据的多任务学习方法。此类方法把降低维度思想和传统的多任务学习方法相结合,通过降低原始数据维度的方式来弥补传统多任务方法在处理高维数据时计算效率较低的缺点,从而扩展传统多任务方法的应用领域。本文还将高维数据下MTSL-SCRBN与基于深度学习的多任务学习方法进行对比,两个真实数据上的实验结果验证了该算法能够解决由于数据维度过大导致的模型计算效率低问题;（3）探究了多任务学习的两个拓展问题。第一个是不同激活函数下本学习框架下的多任务学习问题。针对本文提出的MTSL-SCRBN,选取几种常用的激活函数组成基于随机配置网络的多任务学习方法,验证结合约束共享和参数共享的任务关系学习方式的有效性;第二个是针对数据集大小对多任务学习效果的影响问题。即,本文对多任务学习方法的作用范围进行探索。对比多任务学习方法和单任务学习方法在两组真实数据上的学习效果和计算效率,我们建议文中提到的多任务学习方法的适合作用范围以“千”样本量级作为分隔。