提出了一种改进的核密度估计方法。第一步是密度及其cdf的普通核估计。在第二步中，使用估计的cdf将数据转换为近似均匀（或正态或其他目标）分布。然后用核方法估计转换后数据的密度和cdf，并通过变量的改变，将其转换为原始数据的密度与cdf的新估计值。对于某些大于1的整数$k$，重复此过程共$k$个步骤。如果目标密度是均匀的，那么在观测数据的密度足够平滑的情况下，偏置的阶数会降低。通过适当选择带宽，可以获得与高阶核相同的平方误差收敛速度。更准确地说，就收敛速度而言，该过程的$k$次重复与$2k$-th级内核等价。这种变换核估计始终是一种真实的密度，在小样本量下比高阶核估计更有效，至少对于具有有趣特征的密度（例如多模式）更有效。本文的主要理论成果是严格建立了多重迭代下的收敛速度。使用均匀目标分布的模拟表明，相对于普通核估计而言，改进的可能性对于样本大小低至100的情况具有实际意义，对于样本大小约为400的情况，改进的可能变得明显。