核方法是机器学习领域中被研究与应用最为广泛的方法之一。现有研究从统计学习理论的角度将核方法定位为样本在隐式高维特征空间中的表达。本文则从类比推理角度研究核方法,提出并详细讨论了核方法的类比推理原理。围绕类比推理的核心元素——情境,研究了类比情境对核方法的指导,包括利用情境联结强度、情境极限相似性与典型情境发现。本文的主要工作总结如下:1)提出了核方法的类比推理原理。本文将核方法定义为问题解决式类比推理,详细讨论了核方法与类比推理情境、相似性、记忆、学习与推理等要素的关系,将核方法的模型训练过程定义为类比记忆的建立过程。并围绕类比推理情境,分析了核方法尚待解决的问题,包括在核度量标准中忽略情境联结强度的问题,多核分类及聚类算法对潜在局部情境簇现象关注不足的问题,问题解决式类比推理任务中典型情境发现问题。2)提出了融合情境联结强度的核函数度量方法。在基于类比推理的概念习得中,情境联结强度反映情境对概念的代表性或重要性。KTA等核度量标准遵循同一概念的情境应具有更高相似性的原则,是目前应用最为广泛的核度量方法,但其问题是忽略了情境联结强度,对于典型或重要情境关注不足,使得核度量的结果存在偏差。再者,从统计学习理论角度,通过对KTA等的分析,发现其度量内容为特征空间中线性假设的平均间隔,而平均间隔仅与线性假设的泛化误差上界相关,不能完全体现泛化误差。面向上述问题,提出核度量标准FLEM,通过指数损失体现情境的联结强度,增强了易错情境对核度量的引导,因为易错情境刻画了概念外延的边界,这与SVM及LSSVM等核方法思想一致。FLEM采用留一法错误率替代了平均间隔,从而更好的反映特征空间中线性假设的泛化能力。FLEM继承了KTA计算高效的优点,时间复杂度为O（7）l ~2（8）。最后,在模拟数据及36组二分类问题的核函数选择实验上验证了FLEM比KTA等核度量标准具有更好的核函数选择效果。3)提出了基于情境极限相似性的多核学习方法。多核分类与多核聚类是多核学习中的两个重要方法,分别对应于基于类比推理的概念习得与概念发现。无论是概念习得还是概念发现,遵循的基本原则是:相同概念情境间相似性高于不同概念情境间的相似性。由于局部情境簇的存在,使得无法找到一种相似性比对方法实现同一概念内不同簇情境相似性的提高,只能分别提高子簇内相似性。针对该问题,本文提出将情境极限相似性应用于多核学习,提出了基于亲和系数加权的局部目标核,增强潜在局部情境簇及易混淆情境对多核学习算法的引导,减弱了分属不同局部簇的情境的影响。基于局部目标核,提出了多核分类及多核聚类算法。最后,分别在手写数字识别等数据构造的4个分类问题上,以及6组聚类数据上验证了所提出方法的有效性。4)提出基于典型情境发现的工艺过程重用方法。本文利用了核方法典型情境发现能力,研究了基于核方法的工艺过程重用问题。现有方法忽略了工艺过程与情境的一对多关系,不区分不同情境的代表性,使得对工艺过程可用性的评价存在偏差。面向该问题,本文基于间隔最大化理论,实现了工艺过程重用度评价函数的核化表达。该评价函数采用对偶参数体现不同情境对工艺过程的代表性程度,实现工艺过程典型情境的发现;并且设立多种核函数实现不同工艺属性相似性的比对,通过多核组合参数的学习算法,实现相似性的选择,通过交替优化算法实现情境相似性与典型情境选择的互相影响。在某型号飞机钣金专业全量工艺大纲数据（2360份）上验证了所提出的方法,获得了0.5655的重用度。其含义是对于新工艺过程的设计平均有56.55%的工序可重用历史工艺数据。