在大数据时代,分类任务涌现出一系列新的特点。待处理的数据规模和数据维度爆炸性增长,数据中包含的类别数量也急剧地扩大,这给传统机器学习方法带来了新挑战。多粒度建模是一种利用大量数据类别间的层次关系对学习任务进行建模的方法,该方法模拟人脑的思维模式和人类处理相关任务的行为模式,基于分层抽象的类别层次结构,高效地对大规模数据进行组织、处理和检索。如何面向大规模分类任务充分地挖掘和利用数据间的层次结构和多粒度关系,是机器学习和数据挖掘领域的一个重要挑战。本文针对以上问题,从层次结构建模、多粒度分类设计和分层学习的联合优化方法三个方面,对多粒度建模和分层学习方法进行了研究,并面向大型工业设备故障诊断的应用需求进行了具体的方法设计。主要的研究内容如下:（1）基于分层分类泛化误差界的层次结构建模。针对层次结构建模中依赖数据先验分布假设和缺乏面向分层分类理论性设计的问题,通过对分层分类泛化误差界的分析,分别提出了基于类假设间隔和基于模糊粗糙集理论的类间相似性度量方法;同时,针对现有方法使用分层谱聚类形成层次结构中超参数调节代价较高的问题,引入了自适应分层社区发现算法,实现了无参化构建层次结构,并面向大规模任务设计了基于向量量化方法的加速和适配算法。（2）考虑层次结构的风险最小化多粒度分类。针对多粒度分类方法关注预测在正确路径上的样本的信息表达程度,忽略预测在错误路径上的样本的与真实标签偏离程度的问题,提出了基于风险最小化的多粒度分类模型,定义和度量了多粒度分类任务中的风险,在局部上利用贝叶斯风险框架执行风险最小化的决策,在全局上设计了分层风险评价指标,通过遗传算法和强化学习方法的优化和学习来引导局部决策,从而实现整体风险最小化的多粒度预测。（3）端到端联合优化的分层学习方法框架。针对现有分层学习方法中部分模块缺失或全部模块无法进行联合优化的问题,提出了联合优化的分层学习方法框架,将表示学习、层次结构建模、分层分类器训练和多粒度分类整合起来。所提出方法将以上四个部分划分为层次结构建模和多粒度预测网络两个模块,通过模块内部独立优化、模块间交替迭代优化的方式,形成了联合学习、共同优化的分层学习方法框架。（4）面向大型机械设备故障诊断的多粒度建模应用。基于实际应用场景中对一维空间信号和二维时空信号两种不同数据的建模需求,提出了基于故障层次结构学习的多粒度模型和多粒度深度知识迁移网络模型,分别通过将复杂问题分而治之地转换为若干简单的子问题和将粗粒度知识迁移到细粒度任务的方式,解决现有方法难以应对的类内差异减小类间差异增大,以及深度神经网络易收敛到较差局部最优解的问题。本文所提出的四方面工作,从模型到方法、从研究到应用地设计了多粒度建模和分层学习方法,并通过大量的实验验证了本文的方法是解决大规模分类决策的有效途径。