最大间隔分类理论是机器学习领域近二十年的一个重要课题，近年来，机器学习理论和算法的发展为各种实际问题的解决提供了有力的工具，在机器学习中，间隔是一个重要的概念可用于来度量分类器的置信度，其理论泛化界也可用于指导分类算法的设计，已较好地应用于特征的选择、分类器的构建、集成学习等方面。以支持向量机为代表的最大间隔分类算法已广泛地应用于机器学习及不同工程领域。与已有的机器学习方法相比，最大间隔理论既具有坚实的理论基础，并在实践中表现出优异的性能。本文以最大间隔分类理论为基础，对其在图像融合、迁移学习、最小最大概率学习机等多个方面的应用进行了研究，完成的主要工作如下：1、图像融合是指将多源信道所采集到的关于同一目标的图像数据通过处理，最大限度地提取各自信道中的优质信息，最后综合成高质量的图像，以提高图像信息的利用率、改善解释精度和可靠性，同时也提升原始图像的空间分辨率和光谱分辨率便于监测。为了改进图像融合的性能，针对支持向量变换(SVT)不能提取方向信息和高斯核函数不完备的缺点，提出SVT与复小波变换相结合的图像融合新方法。为了有效地提取图像的信息，对图像先采用正交小波核的SVT变换分解，再采用对偶复小波（DTCWT）变换对SVT变换的高频和低频信息进行分解，再采用脉冲耦合神经网络（PCNN）融合策略进行图像融合。相关实验结果和视觉结果表明该方法优于现有的方法。2、迁移学习是运用已有的知识对不同但相关领域问题进行求解的机器学习方法。放宽了传统机器学习中的两个基本假设，通过迁移已有先验知识来解决目标领域中仅有少量的或无有标签样本的学习问题。提出将支持向量机与迁移学习思想相结合，应对在样本稀缺的情况下，利用其他现有相关联环境下的分类模型对当前的模型训练进行指导。其中，特别地以后验概率形式表达支持向量机的分类结果，弥补了传统支持向量机0-1化的分类结果不能很好地反映样本对模型训练的重要程度的缺陷，采用一致性正则化迁移学习框架设计了基于支持向量机的迁移学习算法。相关实验效果良好，通过算法的分布式实现还能进一步提高对数据安全性、隐私性的保护。3、在实际问题中，大多训练样本为在线的增量生成，数据分布随着时间的变化改变，若有异常分布数据出现在训练样本中，且训练样本集大，批处理算法将会因重新计算而失效。增量和减量式算法能够吸收(剔除)额外的数据而无需对所有数据重新计算。针对经典最小最大概率机进行分类时采用离线式学习算法（批处理）方式，涉及数据多，采用二阶圆锥规划进行凸优化，造成计算量大从而不能满足增量或减量学习、及时分类等要求，提出了最小最大概率机的增量减量学习算法。该算法可对数据进行序列处理，而不局限于批处理，满足了增量减量学习的要求。实验证明，该算法具有计算量小、近似实时等特点。