随着计算机和互联网技术的不断发展及在各行业中的广泛应用,人们积累的数据也呈爆炸式增长,这带领人们进入大数据时代。而随着大量文本数据与医学数据的出现,人们也开始注意到了多类标数据的产生。针对高维数据,随机森林算法有着良好的分类效果,但是目前随机森林算法仅仅用于单类标分类问题,还没有推广到多类标分类问题领域。如何将随机森林算法推广到多类标分类领域进而得到高精度预测是本课题的主要研究内容。本文的具体工作如下:(1)从多类标分类和随机森林算法两方面对国内外文献进行了调研。全面总结了多类标研究领域内的分类算法及其验证准则,介绍了随机森林的发展;(2)提出了类标子集划分的方法。本文采用卡方检验作为两个类标间相依性的衡量标准,随机产生大量的类标划分,每个划分集合中包含若干类标子集。通过计算每一个类标划分集合的权重,层层筛选,最终保留高权重且高互异性的类标划分集合;(3)提出了一种新的样本抽样方法。本文结合懒惰学习思想,在抽样过程中加入测试样本在训练集中的若干邻居作为构建决策树的影响因素,和传统随机抽样一起组成最终样本空间;(4)基于以上工作提出了多类标随机森林分类算法。根据多类标数据集类标之间存在相关性的特点,将多类标分类问题划分为若干相对独立的子问题,综合运用多类标问题转化算法和传统随机森林算法,分步解决子问题后再集成进而得到最优解。最后通过在多领域数据上的对比实验证明了该算法的优越性。