随着计算机技术和互联网技术的快速发展,互联网上的多媒体数据急剧增加。随着数据量的增加,分类问题的规模变得越来越大,其中包括样本数量、特征维度和分类的类别数目的快速增长,这给分类算法的效率和准确率带来了严峻的挑战。如何管理这些大量的数据以及如何在大量类别中进行分类是目前急需解决的问题。面对这样的问题,人们开始借助于层次结构这一辅助工具,人类通过层次结构来管理大量的数据,包括生物系统分类学的层次,文本类型的层次等。因此有研究者提出了层次分类(Hierarchical Classification)方法来解决类别数量特别多的分类问题和语义化的分类问题。在已有层次分类研究的基础上,本文提出了一种层次分类的框架,主要包括两个关键部分,类别层次的自动构建方法和基于结构化支持向量机的层次分类模型。具体的研究内容包括以下几个方面:(1)在类别层次构建方面,本文提出了一种融合多种类别语义关系的算法。该方法利用多核学习的思想,通过学习不同语义类别关系的权值系数来融合多种类别语义关系,在融合后的类别关系基础上实现了一种基于谱聚类的类别层次的自动构建算法。在两个数据集上的实验验证了本文构建层次的算法有效性。(2)在层次分类方面,本文将给定层次结构的分类问题转化到结构化学习框架中,利用结构化支持向量机进行层次分类,在融合后的类别关系基础上提出了一种语义化的损失函数,使得分类结果更语义化。实验表明了本文层次分类框架的有效性,并验证了本文提出的语义化的损失函数。(3)将基于结构化支持向量机的层次分类框架应用于蛋白质折叠模式识别问题,将不同蛋白质序列的多种特征融合到一起,提出了一种基于层次结构的损失函数,并在基准数据集中验证了层次分类框架在蛋白质折叠模式识别应用中的有效性。