常见的分类方法一般是从丰富的假设空间中寻找出一个兼顾训练误差和泛化误差的假设作为分类模型，并用这个分类模型预测实例的类属性。这些方法通常要求所提供的训练样例集具有一致性，其分类效果容易受到噪声或数据缺失的干扰；另外，根据聚类技术预定义类属性时，所获得的类区间可能存在重叠，当待分类实例被多条假设覆盖时，传统的为解决冲突的随机选择方法显得不够严谨。基于辩论的分类方法是近年来出现的不同于经典分类理论的新方法。它将人工智能领域中的辩论(Argumentation)理论引入分类问题中，不仅能够定量的描述分类结果，还能通过辩论过程定性的生成易于被人所理解的分类理由。此外，由于基于辩论的分类方法是针对整个假设空间而非单一的假设对实例进行分类，因而能有效处理训练样例集数据的不一致性问题，具有较好的鲁棒性。
　　本文提出一种基于辩论的分类方法。首先，对分类技术和辩论理论进行了分析，从三个方面探讨了将辩论理论运用于分类的可行性。然后，提出了面向分类的辩论框架，该框架将抽象辩论框架中的争议扩展为分类争议和质疑争议等两种类型，用分类争议被攻击来表示假设匹配失败；将争议间的关系扩展为反驳、削弱、同盟和拒绝等四种类型，用分类争议体表示具有同盟关系的分类争议的集合，用置信度量化争议的强度，并依此表示争议是否被击败；用辩论图对分类辩论过程进行形式化描述。最后，提出争议评价算法，利用该算法对面向分类的辩论框架中的争议状态进行分析，在此基础上提出全局接受、轻信接受、拒绝接受和多数接受等四种判断语义，目的是筛选出合理的分类争议体作为分类决策依据。
　　为验证本方法的合理性，本文开发了一个用于分类的辩论支持系统，并利用该系统对医疗诊断和法庭审判两个实例问题进行分类，结果表明本文提出的方法能从定性角度解释分类结果的有效性，达到了预期目标。