分类(Classification)是指根据数据集的特点构造一个分类模型,从而将未知类别的样本映射到给定类别中。它广泛应用于模式识别、统计学、数据库和盲源分离等领域。从数据的平稳性方面考虑,多维数据大致可分为三类:平稳数据、非平稳数据以及同时具有平稳、非平稳特征的混合数据,其中混合数据的混合方式包括线性混合和非线性混合。随着盲源分离问题研究的不断深入,混合数据的分离技术取得了一定的进展,学者们更为关注混合数据的分类问题。目前,国内外学者对平稳和非平稳特征线性混合数据分类的研究较少。为此,本文对平稳和非平稳特征线性混合数据的分类技术展开了研究,主要工作为:首先,针对平稳和非平稳特征线性混合数据,提出一种基于平稳子空间分析(SSA)和相对熵(又名KL距离)的分类方法,简称SSA-KL方法。其主要思想为:利用SSA方法对训练集和测试集进行降维,在降维后的空间里,采用基于相对熵的近邻法对测试样本分类。该方法在降维的同时提取了各类样本数据的平稳特征,在此基础上对样本数据进行分类,使分类结果更加准确。其次,针对二分类模型,以分类错误率作为衡量SSA-KL分类效果好坏的指标,并利用Matlab数值仿真探究在低维空间中影响SSA-KL分类效果的因素。仿真实验的结果表明:(1)当不同类数据的混合矩阵相同且训练样本个数固定时,分类错误率会随着类间数据平稳信源分布距离的增加而降低(反之亦然);平稳信源对SSA-KL方法的影响程度大于非平稳信源;当类间数据平稳信源分布的距离较小时,非平稳信源之间的差异性有助于分类精度的提高;(2)当不同类数据的混合矩阵和非平稳信源都相同且类间平稳信源分布的距离固定时,SSA-KL方法利用较少的训练样本就能达到理想的分类效果。最后,通过真实数据集对比SSA-KL方法与动态时间规整(DTW)、基于主成分分析和欧式距离(PCA-ED)的分类方法和基于独立成分分析和支持向量机(ICA-SVM)的分类方法的性能。实验结果表明:(1)SSA-KL方法在分类正确率和时间消耗方面均优于DTW;(2)SSA-KL方法对多类别分类问题的分类效果均优于PCA-ED和ICA-SVM,且SSA-KL方法的耗时最短。