分类器设计是模式识别系统中的重要环节之一，对分类性能起着至关重要的作用。其最终目标是保证所设计的分类器对于大量的未知样本具有好的推广性能。但是现有的设计方法往往都是直接估计推广误差，而不是估计推广误差界，导致推广性能不稳定。此外，大多数方法都是从全局的角度出发，而忽视了样本的局部信息，因此限制了推广性能的进一步提高。本项目旨在运用正则化技术和谱图理论，为正则化方法提供一种新的设计理念。其具有以下特点：1) 由期望风险函数的定义自然导出正则化项，同时考虑了输入空间的全局和局部信息；2) 新的基于局部结构的推广误差界引入了可调节的正则化参数，增强了误差界的灵活性；3) 融合了谱图理论和流形学习，局部性正则化方法显著提高了推广性能；4) 自动导出半监督学习的框架。研究内容涉及：1) 新方法的理论分析与实验验证；2) 与先进技术的融合与性质分析；3) 对局部性正则化方法适用领域的推广等。