随着互联网、计算机技术的快速发展以及智能手机的普及,人们生活更加数字化和智能化,与此同时,各种文本或日志数据等在爆炸式地增长。如何快速地对这些数据进行有效分类并从中挖掘出有用的价值信息逐渐成为人们日益关心的问题。自动分类技术已经成为机器学习领域的研究热点,因为它能快速地进行分类,减少人工进行分类的成本,提高工作效率。针对样本类别数较少、数据量较大的多类分类问题,提出了一种基于1-a-1和组合凸线器的多类分类算法。该算法对于有N个类别的训练样本,用1-a-1的方法训练N(N-1)/2个组合凸线器二分类器,对于每一个待分类样本,用所有的二分类器去进行分类,最终根据每个类别所得的票数决定所属类别。在Reuters 21578数据集上进行的分类实验结果表明,相对于支持向量机1-a-1算法,本文算法在保证分类精度和训练速度的同时,分类速度有了显著提高。针对样本类别数较多、数据量较少的多类分类问题,提出了一种基于1-a-r和组合凸显器方法的多类分类算法。该算法对于有N个类别的训练样本,采用一对其余的方法训练N个组合凸线器二分类器,对于每一个待分类样本,用所有的二分类器去进行分类,最终根据样本的票数情况判定其所属类别。在Reuters 21578数据集上进行的实验结果表明,相对于1-a-r SVMs,本文算法明显提高了分类准确度和分类速度。针对多类分类算法1-a-1和1-a-r存在不可分区域问题,提出一种基于组合凸线器和Hadamard编码的多类分类算法,首先利用Hadamard编码对每一类样本进行编码,然后依据编码矩阵的列向量信息将多类分类问题转换成多个二分类问题,并对每个二分类问题训练组合凸线器,最后由汉明距离来决策待分类样本的归属。在Reuters 21578数据集上进行的分类实验结果表明,与多类分类算法1-a-1 SVMs、1-a-r SVMs和DAGSVM相比较,该算法提高了分类精确度和分类速度,且具有良好的鲁棒性。