人工智能领域目前所存在的主要困难是难以显现解决实际问题的关键因素,寻找问题的关键因素是一个重要研究方向。通过研究因素空间理论下的因素显隐,可以把这些隐藏起来的关键因素找到并显现。基于此,本文提出了扫类连环分类算法、微移算法、守护算法,将3个算法进行组合,提出了组合算法,并进行了实例应用。首先,针对机器学习的分类问题,利用因素空间理论下的因素显隐思想,定义了扫类方向和显隐因素;为了降低算法复杂度,定义了w序集;提出了扫类连环分类算法,构建了因素显隐模型;分别基于二维和三维情形,针对二分类和多分类问题作了数值验证。研究结果表明:扫类连环分类算法具有可行性和有效性。然后,针对运行扫类连环分类算法时出现的2个问题,提出了修正算法1、修正算法2及组合算法。（1）修正算法1:为了解决混点数目出现减小得很慢甚至不减小的问题,定义了合并序集、截取数据集、微移数据集,得到微移矩阵;提出了具有微移的扫类连环分类算法,简记为微移算法;数值算例作了验证。研究结果表明:微移算法是有效的。（2）修正算法2:针对两类中心点重合,算法陷入无限迭代的情况,研究了升维问题,将样本点增加1维;提出了具有守护的扫类连环分类算法,简记为守护算法;数值算例作了验证。研究结果表明:守护算法是有效的。（3）组合算法:将扫类连环分类算法及2个修正算法结合起来,根据不同算法的特点进行算法组合,提出了组合算法。最后,对UCI数据集进行了实例分析。实例1用扫类连环分类算法即可获解,算法的分类结果准确率达到了100%,研究结果表明了扫类连环分类算法的准确性;实例2利用扫类连环分类算法即可求解,并与支持向量机进行算法对比,准确率均为90%,研究结果表明了当没有遇到数据不可分情况时,扫类连环分类算法准确率与支持向量机的准确率相当,说明了扫类连环分类算法是可行的;实例3的数据出现了不可分情况,需要利用组合算法进行分类求解,准确率为70%,SVM的准确率仅为30%,研究结果表明了组合算法的可行性和实用性。该论文有图14幅,表14个,参考文献70篇。