多维数据分类问题是数据分析中的重要研究方向之一,由于数据属性的增多,数据常常包含许多混淆变量,许多学者把属性选择引入到分类学习中.随着研究的深入,我们获得的数据总是由于种种原因而缺失,一些研究人员便提出了基于缺失数据的多维贝叶斯分类算法,但这些算法都有一定的局限性或者要求数据随机缺失.本文将两种属性选择算法与多维扩展的稳健贝叶斯分类器相结合,对非随机缺失数据下的分类问题进行了研究.本文首先介绍一个属性选择方法—类电磁机制算法,仿照电磁中电荷的相互作用,对数据进行属性选择,删除冗余变量和不相关变量,约减属性,进而降低分类模型的计算复杂度,提高分类效果.并提出一种新的多维分类器,该分类器是对稳健贝叶斯分类器的一种扩展,在非随机缺失数据下,对多维分类问题建立数学模型,不直接估计后验概率的具体值,而是对其进行近似,用其近似值作为评价标准,达到分类预测的目的.为了检验模型的优劣,在三种常见多维分类数据集上进行仿真实验,将其与其它算法进行比较,用分类精度作为衡量指标.结果表明本文提出的方法有良好的分类性能.其次,将优化领域最热门的智能算法之一—蚁群优化算法引入到属性选择中,该方法是模拟蚂蚁觅食行为的一种启发式算法.一个人工蚂蚁对应于一个解决方案,每个属性变量在解决方案中代表一个节点,目标是寻找最短路径,蚂蚁遍历所有节点,采用一定的规则确定是否选择属性变量,确定最终解决方案,即确定属性子集.文中采用一种改进的蚁群优化算法对问题进行属性选择,然后把多维贝叶斯分类器的类变量定义为一个复合类变量,属性集合即是前面获得的属性子集,将问题转化为一维问题来求解.仿真实验证实了相对于其它算法该方法有良好的分类效果.