学习是人类的基本智能活动,学习能力是人类智能的根本特征。学习是指系统为了适应环境而产生的某种长远变化,这种变化使得系统能够更有效地在下一次完成同一或同类工作。机器学习是指机器(计算机或智能机)在人工智能系统中模拟并实现各种学习行为的过程。传统的机器学习方法主要有神经网络、小波网络、模糊系统、贝叶斯分类器和模糊划分、及建立在统计学习理论基础的新的通用机器学习方法---支持向量机。本文以三种主要的机器学习方法神经网络、模糊系统、支持向量机为主,在介绍了机器学习方法的基础理论和神经网络、模糊系统、支持向量机的机理后,主要从它们相互之间的区别、内在一致性、以及它们相互结合三个方面分别分析研究了这三种机器学习方法的内在联系,并试图寻求一种机器学习方法的统一途径。最后得出了正则加权径向基函数这种统一的机器学习方法的结论,在统一机器学习方法方面做了有益的尝试。论文分为以下几个部分:第一章是绪论部分,主要包括引言、研究背景、本论文研究的学术意义以及工作内容等方面的内容。第二章介绍神经网络知识及机理,第三章介绍模糊系统知识及机理。第四章介绍支持向量机知识及机理。第五章研究分析了神经网络和模糊系统的内在联系。第六章研究分析了神经网络和支持向量机的内在联系。第七章研究分析了模糊系统和支持向量机的内在联系。第八章阐述了神经网络、模糊系统、支持向量机的统一途径,并且构建了正则加权径向基函数这种新的统一的机器学习方法。第九章为结束语。