随机森林是Leo Breiman于2001提出的一个组合分类算法。它的元分类器是CART,在Bagging的基础上引入随机选择属性,其分类效果较好且稳定性较高。随机森林算法自提出以来已经成为一种重要的数据分析工具,被广泛地应用于科学研究的众多领域。本文重点研究随机森林对色谱指纹的分类。在对色谱指纹特点了解的基础上,本文构建了两种随机森林分类模型—基于独立属性的随机森林色谱分类模型和基于组合属性的随机森林色谱分类模型。前者适用于对同一时期采集到的色谱指纹进行分类。后者适用于对不同时期采集到的色谱指纹分类。对于不同时期采集到的色谱指纹,存在保留时间漂移、峰的分离度降低等问题,这是目前采集色谱指纹技术中不能避免的问题。在基本随机森林算法的基础上,提出了一种按照时间范围进行色谱峰合并构造的组合属性,以此减小上述问题对分类器性能造成的影响。在建立分类器过程中,同时考虑这种组合属性和原始数据中的独立属性。两种模型的数据预处理功能均包括:色谱峰匹配、数据归一化和属性筛选。其中最重要的部分是色谱峰匹配。本文在吸取较为先进的峰匹配算法优点的基础上提出并实现了一种基于分段匹配思想的色谱峰匹配算法。本文以“芙蓉”系列卷烟烟丝的色谱指纹为例,对构建的随机森林分类模型进行实验。实验后进行了参数优化、对节点分裂策略的讨论以及数据预处理方法的讨论。实验结果表明,最终所建立的烟草分类模型的绝大部分准确率达到90%以上,其分类效果优于基于支持向量机、朴素贝叶斯、PLS-DA、Bagging的烟草分类模型。