数据包络分析（DEA）是一种评价包含多输入和多输出的样本之间相对有效性的方法,在确定有效以及最优得分的样本这一应用环境中,已被证明非常有效。但是,在应用的时候,此类方法存在两个问题,第一是需要人为设定权重本身或者权重的范围,这会带来了综合评价模型存在任意性的问题;第二是会产生太多的有效样本,这类结果在解释性上与实际存在偏差。本论文针对上述问题,结合回归和分类的思想,对传统的DEA模型分别进行改进。首先,样本评价的权重不同,会产生评价不客观的结果,针对DEA模型第一个产生非均一权重的问题,本论文通过结合样本回归的思想,构建得到统一权重的综合模型,以此达到各个样本得分均衡点,最终客观有效的评价系统的样本。其次,有效样本太多,往往在现实中不可能存在较多的有效样本。意味着模型评估过程中并没有充分利用给定指标,本论文通过引入结合强互补松弛条件的基础模型,可以从数学上保证最优变量乘数值为正,但同时这样的模型不能减少有效样本的数目,进一步考虑利用了DEA-DA的分类思想,构建基于分类的模型,实现对样本进行单一的综合排名。最后,对基于改进的DEA综合模型分别进行案例研究,第一个案例选取反映全国各省份的市场,政府,科技,社会,生态,全球化的相关指数,共31个样本地区,经过构建的共同权重模型运算,得到各地区和科技指标评分排名,结果表明全国各地区均有客观的评分;第二个案例选取反映全国各省份的质量安全,数量安全,经济安全,技术安全,生态安全,贸易安全的相关指数,共31个样本地区,首先经过传统的数据包络模型和结合了强互补松弛条件的模型分别运算,之后利用结合基于分类的评价模型运算,结果表明传统的数据包络模型得到有效样本和无效样本乘数存在值为0的情况,有效样本数较多,而结合了强互补松弛条件的模型通过改表有效样本数避免乘数值为0;在基于分类的最终评分排名中,产生了得分值为1的唯一有效样本地区,且各地区的综合评分差距显著。