随着全球信息化和智能化水平的不断发展,模式识别技术已成为军事和民用领域的关键技术之一,作为其核心的智能分类器方法,受到众多学者的关注和系统研究,并有诸多成果成功应用于实际。然而,随着其应用领域的不断扩展,出现了一些新的问题,诸如类别标签数量较多、类别标签权重不同、数据集不平衡以及代价敏感等。而现有分类器方法无法对这些问题给出满意的处理结果,严重制约了模式识别技术的发展。基于此,本文致力于多类别智能分类器方法研究,重点在复杂分类问题、提高识别性能以及增强系统鲁棒性等方面开展研究,取得的主要创新成果如下:1.研究了多类别概率支持向量机(PSVM)及其与多特征判决融合方法的结合。提出了基于树状结构的多类别PSVM和基于二进制编码的多类别PSVM,并建立数学模型。为解决单一特征SVM分类性能不理想的问题,提出一种自适应权值的多特征融合分类方法,可根据概率输出自动调整不同分类器的权值,并加权融合所有分类器的输出得到最终判决结果,有效提高了分类器的识别性能。针对实际应用中经常出现的类别权重问题,提出一种综合权值分类方法,综合类别权值和特征权值,得到更加合理的分类结果。2.研究了极限学习机(ELM)与信息融合方法的结合。ELM最显著的特点是训练快速,但是在一些具体应用中,ELM并不能得到令人满意的分类结果,本文从增加样本信息的角度出发,在详细分析了特征级和判决级两种信息融合方式与ELM结合的基础上,先将ELM的输出向量转化为概率形式,使得不同特征的判决结果统一在固定范围。在此基础上,提出一种判决融合ELM方法。该方法充分考虑了分类器针对不同特征的判决准确率差异,无需先验知识及主观定义,可以得到更加准确的判决结果。3.研究了ELM隐层节点的优化问题。由于ELM的所有隐层参数均为随机产生,且通过求解隐层输出矩阵的广义逆得到输出权值,所以具有训练高效的优点。然而,通过单一隐层输出函数得到的隐层节点并非总是最优的,因此限制了ELM的识别性能和鲁棒性。本文提出一种多隐层输出矩阵ELM方法,该方法通过对多个隐层矩阵进行加权以优化隐层节点结构,其隐层矩阵权值和ELM输出参数可通过学习同时得到,权值大小反映了相应隐层矩阵对学习过程的贡献度。此外,利用该方法还可以实现特征映射环节的特征级融合ELM,有效提高了ELM的整体识别性能。4.研究了非平衡数据问题以及代价敏感学习问题。根据这两种问题的特点及其对训练和测试过程的影响,提出一种模糊极限学习机(FELM)方法。该方法在传统ELM方法的基础上,引入一组模糊隶属度并构建模糊矩阵,每个输入根据其对应的模糊隶属度对学习过程产生相应的影响,使得分类结果更加合理。针对模糊隶属度与模糊矩阵的设置问题,提出基于类别和基于样本两种设置方法,完善了FELM方法。