高斯过程模型(GP)已经成为机器学习领域中一个新的研究热点,其良好的非参数、非线性特性以及先天概率背景,使得GP模型相对于其它传统的机器学习模型具有更优越的性能。GP模型既可用于分类,也可用于回归预测,当其用于分类时又被称为高斯过程分类模型(GPC),本文主要对GPC模型展开研究。在国家自然科学基金项目(60972106)资助下,本文主要研究了GPC模型实现方法及超参数选择问题。主要研究工作如下： 　　(1)提出了一种基于类间距判据(DBTC)的高斯过程模型超参数选择方法。首先分析了GP模型传统的超参数选择方法,指出其不足之处,然后通过定义DBTC并分析其应用于超参数选择的优势,选用DBTC作为高斯过程超参数选择判别依据。主要实现思路为：将超参数作为自变量,DBTC作为因变量,获得DBTC随超参数变化的函数,采用共轭梯度法求此函数的极值,以此获得最优超参数。将此方法在人工生成的样本集上进行高斯过程分类实验,验证了其可行性。 　　(2)将本文基于DBTC的超参数选择方法用来解决实际的二维样本集分类问题。通过多个实际二维样本集分类实验,比较基于DBTC的超参数选择方法与传统超参数选择方法间的性能,本文基于DBTC的超参数选择方法应用于GPC模型时分类性能优于传统的超参数选择方法。从实验结果可看出,基于DBTC的方法的分类准确率相当于或略高于传统的超参数选择方法,且超参数选择耗时更少。 　　(3)将基于DBTC的高斯过程超参数选择方法用来解决高维样本集的分类问题。由于在高维空间中样本分布稀疏,使得类间距判据变得更加容易实施,因此基于DBTC的超参数选择方法在处理高维样本集分类时,相对于二维数据集分类具有更明显的优势。从高维样本集分类实验结果可以看出,超参数选择耗时显著减少,并且分类准确率与传统超参数选择方法相当或者略高。