在近百年的发展过程中,模式识别技术已经成功的应用于许多科学和技术领域,推动了人工智能系统的发展,取得了大量的成果.分类器技术是模式识别系统中的一个关键环节,通过对分类器理论和算法的深入研究,可以有效的提高模式识别系统的性能.该论文主要讨论了K近邻分类器、模糊决策树分类器、径向基神经网络分类器和支持向量机分类器的理论和算法,研究了基于识别性能矩阵的多分类器融合技术.在分类器方面,首先研究了各分类器的理论基础、工作原理和实现算法,并分析了其中存在的问题,对一些分类器提出了改进算法,有效的提高了分类器的性能.然后利用三组数据对四种分类器进行了分类测试,根据分类结果,全面分析了分类器的分类性能.最后通过综合比较,对这四种分类器进行了总结.在多分类器融合方面,研究了基于分类器识别性能矩阵的多分类器融合技术,针对其中存在的不足,提出了引入样本信息的改进融合算法,实验结果表明,改进的融合算法有效的提高了分类准确率,取得了较理想的分类效果.