利用支持向量机算法来解决两类分类问题已经有了很成熟的发展，但是算法本身对噪音非常敏感，而且对多类分类问题也仍需要进一步的研究和改进，特别是采用层次支持向量机算法还会出现误差累积的问题。　　 针对上述情况，本文提出一种新的多类分类问题的解决方法，采用模糊隶属度剔除噪声，构造基于类间可分性测度的决策树支持向量机。与传统方法相比，本文的模型避免了拒分区域的出现，克服了误差累积的问题，并且在精度和时间复杂度方面也有所提高，并从数学和实验两个角度说明本文方法的可行性。　　 本文提出的方法的优点主要体现在：一，缩减训练样本集，减小噪音点对最优分类面选取的影响，减少训练时间；二，采用决策树支持向量机：1)测试时不必遍历所有的子分类器，节省时间；2)避免了拒绝分类区域的出现，或者样本同属于多个类或不属于任何一类的情况；3)自底向上的聚类方式获得较为合理的分类模型以及较好的推广能力。