大规模的样本数据、超多的类别以及高维特征丰富了机器学习解决问题的方法多样性。人们将数据按照“由粗到细”粒度的多级粒化方式组织成一个层次结构实现记忆和检索,而且类别之间也蕴含着复杂的结构关系。这种数据结构类型给机器学习分类任务提供了新思路,但仍存在一定的局限性:（1）分层分类任务由于受到类别层次结构知识固有的层间错误传播问题影响而降低了分类效果;（2）根据语义知识构建的层次结构可能会存在的“语义鸿沟”问题;（3）真实数据中存在类别分布不平衡情况破坏了传统类别均匀分布的基本假设,这导致先前的分层分类方法处理大规模的分类任务时表现不佳。面向类别具有层次结构数据的大规模分类任务,本文充分挖掘原始数据和类别层次结构知识的关系,提出基于类别层次粒化的分层分类方法,主要内容包括:（1）基于知识驱动层次粒化的分层分类方法。针对传统分层分类方法固有的层间错误传播问题,采用多路径预测策略进行知识驱动,借助于给定语义空间中所蕴含的层次结构来考虑上下粒度层间及各个粒度层内的关系实现由粗到细粒度的预测,最终提出了基于知识驱动层次粒化的分层分类方法。（2）基于数据驱动层次粒化的分层分类方法。针对语义层次结构与数据特征所体现的类别层次结构的差距,通过从原始数据角度考虑进行数据驱动,根据不同类别粒度特征之间的相似度进行自下而上粒化聚类,再利用各粒度层特征的普遍性和特征自身的特殊性进行每个粒度层的1,2-规范正则化实现特征降维效果,最终构建了基于数据驱动多粒度聚类的分层分类方法。（3）基于双向驱动层次粒化的分层分类方法。针对真实数据集的类别呈样本分布不均衡的状态而无法适用于传统的分层分类方法,利用层次结构知识与原始数据的互补性应用双向驱动策略。根据原始数据的分布形态进行问题局部化分别处理,对于样本较少的尾部类别,利用数据样本间相似度进行“由细到粗”粒化构建适合于少样本的层次结构。再借助于阈值控制策略进行知识驱动实现不同局部的自顶向下分类,最终提出了一种基于双向驱动的层次粒化分层分类方法。