当今很多领域都涉及多类模式的识别问题,多类模式的识别具有广泛的应用性,同时也是一个难点。本文意在提出一种比较通用的多类识别算法。视频中的运动物体识别是计算机视觉领域一个重要的研究方向,细胞分裂的状态(阶段)识别在医学生物等领域有着非常重要的意义。从解决这两个典型的多类识别问题入手,在总结和分析了国内外相关研究工作的基础上,本文改进决策树算法,通过SVM算法和AdaBoost算法学习分类器,提出一种基于特征(分类器)选择策略构建树结构模型的分类方法。我们在决策树算法中融入SVM算法和AdaBoost算法,通过这两种算法学习分类器,目的是提高单个分类器的性能。对于运动物体识别,将特征分为两大类:数值特征和描述性特征。低维数值特征通过AdaBoost算法训练分类器,高维描述性特征采用SVM算法训练分类器。对于细胞状态识别,提取细胞各个阶段特征通过SVM算法训练分类器,分别得到一组分类器集合。树结构模型的构建在于树结点处样本分割方法的选择,本文提出通过特征选择策略构建树结构模型。我们引入先验知识,在当前节点通过将样本分布情况和分类器性能综合考虑测试所有分类器的重要性指标,特征选择策略是基于所有分类器的重要性排序选择一个最佳的分类器。本文是依次对当前节点通过特征选择对样本进行分割来逐步扩展树结构。树结点的分类器都近似看作二类分类器,本文就是用构建的树结构模型通过多层分解的策略将多类分类问题转化为多个二类分类问题。本文中树结构模型是基于特征选择构建,与手动设计的模型相比树结构模型具有很大的灵活性和合理性。我们用学习得到的树结构模型对视频中的运动物体分类和细胞状态识别做检测实验及相关的比较实验,结果证明识别性能大大提高。同时本文提出的方法具有很强的通用性,对于其它的多类识别问题有很大的借鉴作用。