随着互联网应用的普及和计算机运算速度及存储能力的不断提高,各个行业和领域所获得的数据越来越复杂,如何从这些数据中获取有用信息给现在的数据分析以及机器学习带来了巨大挑战。经典的机器学习通常是从大量的矢量训练样本中进行回归或者分类学习。而当输入变量变为分布函数时,即需要进行分布函数空间与目标变量之间的回归或者分类学习,传统的算法无法直接应用,而是需要借助于核均值嵌入技术将分布函数映射到一个再生核希尔伯特空间,再在这个空间中使用岭回归学习算法。这一算法为核均值嵌入岭回归。由于核均值嵌入岭回归算法中核函数的选取,特别是核函数中参数的确定,对最终模型的效果具有重大的影响。因此本文对如何选择合理的核函数及核函数的参数进行了探究,在此基础上提升了模型的拟合性能。本文针对分布回归问题,提出了基于随机配置多尺度径向基函数网络的核均值嵌入岭回归(SCMRBFN-MERR)分布学习算法。首先,随机配置网络作为神经网络领域中的重要创新,在保留神经网络拥有足够高的网络性能和泛化能力的同时,对随机神经网络的节点数进行最优化,有效地防止了神经网络出现“过拟合”现象。其次,径向基函数(RBF)具有很强的非线性拟合能力,可映射任意复杂的非线性关系,十分贴合于分布回归的非线性映射。最后,利用随机配置多尺度径向基函数网络对核函数中的多尺度参数进行随机优化选择,令核函数能够更适应于样本,为多尺度参数选择问题提供了一种方法。通过对八组实验数据的结果对比表明,基于随机配置多尺度径向基函数网络的核均值嵌入岭回归(SCMRBFN-MERR)方法相对于已有的分布回归算法以及其他两种对比算法拥有更好的拟合性能。