在大规模数据背景下,由于样本特征空间维数高,数量大而且涉及的类别多,分类边界复杂,对模式识别系统的分类器设计提出了更高的要求。我们不仅要引入不同的分析与计算方法,还要考虑用不同的分类器集成,发挥各个分类器的优势,并且综合利用各分类器的输出类别信息。本文主要介绍学习矢量量化算法和支持向量机技术,研究和探讨大规模模式识别分类器的集成设计问题。论文主要完成如下的研究工作: (1)分析目前国内外设计分类器的相关技术,对提高分类器的泛化能力进行了探讨。(2)基于学习矢量量化算法LVQ在模式识别领域应用的广泛性,文中对LVQ算法进行了分析,引入相似集合的概念对LVQ算法进行了改进,提出了SLVQ算法。并将SLVQ与模糊LVQ算法结合起来,在一定程度上缩短了训练时间并提高了识别率,用于解决大规模模式识别问题取得了较好的结果。(3)在分析支持向量机的原理以及在多类分类器中应用的基础上,构造了基于二叉决策树的分类器来决策大规模数据背景下的模式识别问题,并对实验结果进行客观的分析与评价。(4)大规模模式识别问题用单一的分类器很难得到理想的结果,本文进一步用改进后的矢量量化算法和支持向量机,采用级联的类递减分类器设计原则,并融合各级分类器输出类别信息,设计了一个多级分类器,实验结果表明这种集成对于解决大规模模式识别问题能取得较好的效果。