针对单核网络模型的核函数选择无理论依据以及基于随机特征映射的四层神经网络（FRMFNN）节点规模过大的问题，提出了一种基于随机特征映射的四层多核学习神经网络（MK-FRMFNN）算法。首先，把原始输入特征通过特定的随机映射算法转化为随机映射特征；然后，经过不同的随机核映射生成多个基本核矩阵；最后，将基本核矩阵组成合成核矩阵，并通过输出权重连接到输出层。对原始特征进行随机映射的权重是根据任意连续采样概率分布随机生成的，不需要训练更新，且对输出层的权重使用岭回归伪逆算法进行快速求解，从而避免了反复迭代耗时的训练过程。MK-FRMFNN在基本核映射时引入了不同的随机权重矩阵，生成的合成核矩阵不仅可以综合各种核函数的优势，而且可以集合各种随机分布函数的特性，使数据在新的特征空间中获得更好的特征选择和表达效果。理论和实验分析表明，与宽度学习系统（BLS）及FRMFNN等单核模型相比，MK-FRMFNN模型的节点规模减小了2/3左右，且分类性能稳定；与主流的多种多核模型相比，MK-FRMFNN模型能够对大样本数据集进行学习，并且分类性能明显更优。
