摘要：提出基于相异度核空间的混合流形学习与支持向量机（SVMs）算法用于解决高维数据分类问题．该算法使用SVMs对流形学习降维后的低维嵌入做分类．通过加常数方法构造了衡量数据点相异度的特征空间．证明了该特征空间不仅能够衡量数据点之间的相异度，还满足Mercer条件对于支持向量机分类核空间的半正定性的要求．在仿真实验中，采用UCI机器学习数据库上标准分类数据集为样本．对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的分类精度来验证有效性和优越性．

关键词：等距映射 支持向量机 加常数 相异度 

单位：西北工业大学系统集成与工程管理研究所 西安710072 西北工业大学现代设计与集成制造技术教育部重点实验室 西安710072