随着社会发展信息化与网络化的加速推进，分布式环境中的数据挖掘与机器学习，特别是分类技术，在为人们揭示大量数据中隐含知识并创造财富的过程中经受着隐私泄露及信息安全的严峻考验。与此同时，分类结果的可解释性也逐渐引起当前智能决策领域研究人员的广泛关注。因此，如何在隐私保护的条件下求解分布式环境中的分类问题，并对分类结果给出合理的解释，成为十分重要而富有挑战性的前沿课题之一。　　本文以辩论理论为基础，围绕“隐私保护下基于辩论的多 Agent 合作分类方法”这一主题，综合运用多Agent系统技术、论据博弈对话理论、归纳学习技术、本体论等相关领域知识，系统深入地研究了多 Agent 合作分类方法的辩论模型、论据构建与性能分析以及对于层次型数据的优化方法。论文主要研究工作包括以下几部分。　　（1）针对合作分类中Agent之间如何在隐私保护条件下进行交互的问题，结合辩论理论中的对话博弈思想，建立了一种新的基于理性辩论空间的多 Agent 辩论模型A-MACC。该模型通过引入“结对强度”的概念，将多Agent辩论转化为结对论据博弈过程，使得 Agent 之间的合作分类可以在隐私保护条件下通过结对的方式有序进行。以论据结对偏好关系以及击败关系等概念为基础，构建了A-MACC模型中多方论据博弈对话过程，并分析了多Agent辩论的重要性质。这些研究成果将进一步完善和扩展人工智能领域的辩论理论。　　（2）针对多 Agent 辩论过程中论据如何产生的问题，研究了基于 A-MACC模型的多Agent合作分类方法Arguing-Prism，提出了基于Prism的分类论据动态构建算法。该算法将Prism分类规则归纳学习引入到多Agent辩论中，实现了分类论据的自动构建。进一步，对Agent合作分类方法Arguing-Prism进行了实验分析，分别从论据构建策略和数据的不一致性两个方面，分析了影响该方法分类性能的主要因素。UCI基准数据集上的大量实验证明了Arguing-Prism方法在多种分类性能指标的综合表现上是有效的。这些研究工作将促进辩论理论在机器学习与数据挖掘实践中的应用。　　（3）针对层次型数据，提出了一种领域本体引导的模块化分类规则归纳学习算法SATE-Prism，用以提高多Agent合作分类方法的健壮性。该算法结合领域本体辅助机器学习的思想，在深入分析层次型数据属性值概化理论的基础上，引入了语义属性值树SAT的概念，并分析了其重要性质以及与领域本体的关系。实验表明，该算法可以有效提高基于辩论的多 Agent 合作分类方法对于层次型数据的健壮性。这些研究工作将促进本体论方法在层次型数据分类方面的应用。