La teoría del núcleo es una herramienta demostrada que se ha abierto camino en casi todas las áreas del aprendizaje automático. Sin embargo, una limitación seria de los métodos de núcleo es saber qué núcleo se necesita en la práctica. (MKL) es un intento de aprender un nuevo núcleo a medida a través de la agregación de un conjunto de núcleos conocidos válidos. Generalmente hay tres enfoques para MKL: reglas fijas, heurísticas y optimización. La optimización es la más popular; sin embargo, una limitación de la mayoría de los enfoques de optimización es que están estrechamente vinculados con la función objetivo subyacente y ocurre el sobreajuste. En este caso, tomamos un enfoque diferente para MKL. Específicamente, exploramos diferentes medidas de divergencia en los valores de las matrices de núcleo y en el (RKHS). Los experimentos en conjuntos de datos de referencia y una tarea de aprendizaje de características de visión por computadora en la detección de peligros explosivos demuestran la efectividad y generalizabilidad de nuestros métodos propuestos.