由于现实世界的数据大多存放在关系数据库中，近年来多关系数据挖掘受到越来越多研究人员的重视，而多关系分类和聚类都是多关系数据挖掘中的重要技术。在进行多关系分类时，由于关系数据库结构的复杂性，所以对其中的表和属性进行选择是有必要的，需要删除掉一些对最终分类并无太大影响的表和属性，这样可以在保证一定分类准确度的同时，提高了分类效率。而在对多关系目标表中元素进行聚类时，最主要是能较为精确的计算出目标表中任意两个对象之间的关系距离，这样才能提高聚类的准确度。本文主要利用奇异值分解、典型相关分析等数学理论对多关系中的数据进行分类和聚类。主要研究工作包括：　　 ⑴基于协方差系数矩阵对关系数据库各表中的特征进行选择。构建每张表对应的协方差系数矩阵，其中协方差系数矩阵中的元素代表这张表中任意两个属性之间的相关性，对这样的协方差矩阵进行奇异值的分解，给定一个阈值λ，将对应的奇异值小于λ的属性都删除，只利用奇异值大于λ的属性对未知元组分类。　　 ⑵研究基于表的关联度或贡献度的多关系分类，利用典型相关分析方法判断多关系中的各个非目标表与目标表之间的关联度并得到一系列分类关键属性或定义关系数据库中各表的贡献度，约简部分对最终分类影响不大的表，并在对各表进行查找时按照其与目标表关联度从大到小的顺序或者按照贡献度从大到小的顺序依次遍历其中的分类关键属性。　　 ⑶研究如何计算多关系目标表中对象与对象之间的关系距离，从而对目标表中的对象进行聚类。目标表中对象之间的关系距离不仅与本张表中的属性有关，也与和目标表相关联的非目标表中属性有关。通过给每张非目标表设定不同的权值，较为精确地得到目标表中任意对象之间的距离。