分类技术作为数据挖掘领域的一种重要分析手段。基于规则的分类方法是目前重要的一种分类技术，得到了广泛的应用。基于规则的分类方法是指通过给定阈值，提取规则用于分类。典型的基于规则的分类方法有FOIL算法和关联分类等。传统的基于规则的分类方法能够取得较好的效率，然而在一些数据集上准确率不是很高，比如FOIL算法和决策树。主要原因可能是由于传统的基于规则的分类方法生成较少的规则，特别是当训练集较小的时候，因此可能会遗漏一些重要的规则。本文主要研究如何改进FOIL算法，以及如何将FOIL算法与关联分类结合，提取更多的高质量的规则，从而提高分类的准确率。本文主要做了以下几方面的研究工作：首先，提出了多规则提取的分类算法。该算法提取一批重要的属性值来构造候选集和种子集，通过连接候选集和种子集来提取更多的高质量的分类规则，而且结合了多种度量来更新种子集。其次，提出了结合关联与FOIL算法的分类方法。该方法以类支持度和自信度为度量提取长度为1和2的规则，用Apriori算法来产生频繁2-项集F2，在频繁2-项集F2上结合FOIL算法来产生更多的分类规则。最后，提出了改进多规则提取的分类算法。该算法将多规则提取的分类算法与FOIL算法结合起来，以类支持度和自信度为度量提取长度为1的规则，通过候选集和种子集来提取长度为2的规则，并且采用多度量来更新种子集，在新的种子集上结合FOIL算法来产生更多的高质量的分类规则。