诞生于20世纪20年代的模式识别是一门研究对象描述和分类方法的学科。模式识别的方法主要有线性分类方法、神经网络算法和随机优化算法等。线性分类因其简单、易于分析和实现且容易扩展为非线性分类方法的特点，一直是模式分类的研究热点，并在语音识别、图像处理、信息检索和数据挖掘等领域得到了广泛地应用。然而，随着模式识别问题的日益复杂，如何提高线性分类的泛化能力（分类准确率）、适用范围和高维数分类的寻优效率等成为线性分类研究的趋势。本文概述了线性分类方法的相关理论和研究现状，总结了常见线性分类算法的优缺点，在此基础上提出了一种新的线性分类方法——组合优化线性分类算法。该算法综合利用训练样本的组合和随机全局优化的寻优机理来解决线性分类问题：将训练样本集中不同类别的样本进行两两组合，充分考虑训练样本集中每个个体所包含的类别特征；在组合的样本中利用最小距离法产生相应的分类超平面，在无错误分类的基础上最大化分类间距，使分类期望风险最小化；利用随机全局优化的寻优机理，设计并实现了利用类电磁机制对训练样本集进行优化训练的线性分类算法，加快了搜寻最优分类决策粒子的收敛速度，使得分类超平面的分类准确率更高。本文采用机器学习数据库UCI中的数据，对本文分类算法进行了仿真实验，并与常见的线性分类算法的分类结果进行了对比分析。结果表明，本文算法优化训练的结果不仅明显区别于其它线性分类算法，而且在泛化能力和适用范围上，均有较优的表现，从而验证了本文理论的正确可行性。本文算法作为一种新的线性分类理论方法，虽然分类效果不错，但算法的适应性仍需加强。下一步将在筛选有效样本、样本优化训练时提高收敛速度和分类准确率方面进一步完善本算法。