多分类技术在各个领域应用广泛,可用于搜索引擎的分类、诊断疾病的分类、交通车辆的分类等多个领域。这些广泛的应用使得多分类技术成为了人工智能领域研究的热点内容之一。传统的分类技术通常是通过已有的训练集进行训练,产生多个分类模型,再用测试集对分类模型进行一一测试,性能最好的模型作为最终的分类模型。但是单一的分类模型会出现过拟合现象,而且存在训练速度慢、分类准确率低等问题。针对传统分类技术过拟合现象和分类准确率低的问题,提出了一种基于局部相似性的多类Boosting分类方法。主要研究内容包括:（1）针对传统的弱学习器,训练速度慢,分类准确率低等问题,对弱学习器进行改进,提出了单模态的局部相似性分类方法。在单模态多类Boosting中,常用决策树作为弱学习器。由于决策树的分类边界是轴对称的,不能很好的代表数据的具体分类情况。另外,虽然使用决策树可以达到完美的训练精度,但是很明显会出现严重的过拟合现象。因此,需要找到一种简单而准确的训练系统,使得训练速度快,数据量少。为此,提出了单模态局部相似性（SLS）的多类Boosting分类方法。该方法在Boosting分类方法的基础上,以局部相似性作为弱学习器。并在500个点的二维合成数据集上进行了收敛性实验,由实验结果可以得出结论:即使训练错误降低到零,测试错误也不会增加。最后在UCI真实数据集上进行了实验,实验结果表明,随着迭代次数的增加,测试错误在达到最小值时是相当稳定的。（2）针对多类Boosting分类准确率低和模态单一等问题,本文在使用局部相似性作为弱学习器的简单多类增强框架的基础上,将其推广到多模态多类增强Boosting（LS）。首先,在局部相似性作为弱学习器的基础上,利用损失函数求出基本损失,对数据点进行二值化处理。然后,找到最优的局部相似点,使用损失函数求出对应的损失,与基本损失相比较,较小的作为迄今为止最好的。其次,由欧几里得距离计算两点的局部相似度,再由两点的局部相似度计算损失。最后,对于分类预测的结果,使文本和图像互相检索,分别获得文本和图像的检索准确率。本文进行的实验是在Wiki和NUS-WIDE数据集上进行的实验,并与几种同类型方法进行对比。实验结果表明,以局部性相似性作为弱学习器的多模态多类增强框架LS,不仅在很大程度上稳定的提高了分类的准确率,而且可以有效的应用于跨模态交叉检索。