核可能性C-均值(KPCM)聚类算法将核方法引入可能性聚类中,使其对超球体、含噪声和奇异点的数据能进行有效聚类,但存在可能性聚类的中心重合问题。因此,将β-截集引入KPCM聚类算法中,通过产生聚类核修改部分样本数据的典型值,以改善类间关系。同时,提出了一种基于截集门限的核可能性C-均值(C-KPCM)聚类算法,克服了KPCM聚类算法一致性聚类的缺陷。结合图像的非局部空间信息,利用自适应中值滤波算法可自适应调节滤波半径的特性,产生新的模糊因子,并将其加入C-KPCM聚类算法的目标函数中,提出了基于非局部空间信息的核可能性C-均值聚类算法,增加了强噪声干扰下聚类算法的鲁棒性,仿真结果验证了本算法有效性。

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型，利用非线性核函数将高光谱训练样本映射到高维空间，完善了人工免疫网络中目标样本核空间相似性分选方法，降低了人工免疫网络识别样本所需的抗体数量，提升了算法的分类精度和运算效率.为了验证算法的有效性，利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善，是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.

传统高光谱异常探测器的背景统计信息易受异常目标干扰，鲁棒性较差，且难以探测非线性混合的异常目标.针对此问题，运用核特征投影理论，在异常探测器的背景信息构建中引入鲁棒性分析方法，提出了一种在核特征空间中具有鲁棒性的异常探测方法.该方法可以在不需要确定具体的非线性映射函数下，将高光谱数据从低维空间映射到高维特征空间，背景和目标在特征空间中可以用线性模型表示，并在特征空间中构造鲁棒性的探测器.该方法揭示了地物光谱间的高阶特性，可以较好地反映地物分布复杂的目标光谱特性.通过高光谱真实影像和模拟数据的实验证明：1)本文提出的异常探测方法具有更优的受试者工作特征曲线和曲线下面积统计值，目标和背景的分离度更大；2)在核特征空间内，排除异常目标对背景统计信息的干扰，有助于进一步提高探测准确度；3)特征提取可以更好地利用目标和背景的光谱区分性，是异常探测的重要步骤.

以主成份分析、局部保持及核映射理论为基础，提出了一种核化有全局性类内近邻保持正交算法。该算法的目标函数融合了样本的全局与局部信息，同时由于采用非线性映射及基向量的正交性限制，因此能够提取出更为有效的分类特征。但由于非线性函数的未知，因此无法直接对准则函数进行求解，对此根据核映射理论，本文将算法的不可解的准则函数转化为核空间上可解的准则函数，并给出了具体的理论推导及求解步骤。人脸库上的实验结果表明所提方法的有效性

针对小波变换不能充分描述人脸曲线特征的缺点，本文提出一种基于曲波域与核主成分分析 (KPCA)的人脸识别算法。采用多尺度、多方向的曲波 (Curvelet)变换提取图像特征，不仅具有更高的逼近精度和更好的稀疏表达能力，而且其变换系数能有效表示沿曲线的奇异性。进一步使用核主成分分析 (KPCA)将曲波特征系数投影到更具表达力的核空间中，通过最近邻分类器进行分类。并在 JAFFE人脸库中、 ORL人脸库以及 FERET人脸库中做了多组实验，实验结果表明该方法在图像降维和识别率方面都达到了较好的效果。

针对传统基于 SVM分类器的多核学习方法优化参数多、优化过程复杂、计算量大的缺点，本文提出基于 Real Adaboost的多核学习方法解决通用目标分类与识别问题。该方法根据核函数能将高维特征映射到低维空间的特性，采用核函数空间上的线性平面分割构建弱分类器，并用 Real Adaboost学习框架对弱分类器进行学习。先用分层特征算子 PHOG和 PHOW分别提取图像不同尺度的形状和表观信息，并用核函数计算特征距离，然后在核空间上构建线性弱学习器池，最后用 Real Adaboost算法学习得到强分类器。实验结果表明，该方法有效提高了图像分类的准确率。