数据挖掘是一门新兴的交叉学科，它从数据（尤其是海量数据甚至大数据）中发现有用的知识和规律，提炼出客观世界的隐含模式，以此指导进一步的科学决策。在数据挖掘的基本问题中，分类问题是应用最为广泛的，存在于各行各业各个领域。解决分类问题有多种方法和模型。其中，基于最优化的分类算法是一类主要的方法。对于一个典型的二分类问题，利用基于最优化方法，通过模型对数据进行学习，给出一个分类超平面，再利用得到的分类超平面来判断未知样本点的类别。事实上，对于大多数复杂问题，这样的方法不可避免地会产生分类错误。鉴于此，本文以分类问题为研究对象，以如何对分类问题中的错误进行控制和修正为研究重点，探索有效修正错分点的方法，构造可以减少错分点的新模型。另一方面，本文特别注意到在许多实际应用（例如信用卡用户划分问题）中，对不同类别错分点的关注程度大不相同，带来的影响也大相径庭。因此，借助假设检验中两类错误的概念，论文将错分点看成两类错误，进一步发展新的模型以分别减少两类错误发生的概率。　　本文首先回顾了多目标多约束水平线性规划（MC2 LP）问题的衍生和发展，介绍和探讨了求解MC2 LP的单纯形方法，包括矩阵规划(MP)问题、线性规划(LP)问题和多目标线性规划(MCLP)问题，以及它们之间的关系。接下来，以原始MCLP分类模型为研究对象，通过给出其矩阵表示形式，本文研究了其具有的一些基本性质。然后，基于这些基本性质，本论文提出了两个减少错分点的新模型，并对它们的性质和求解方法做了初步的研究。进一步，以原始MC2 LP分类模型为切入点，通过分析其不足之处，本论文研究并提出了新的双超平面MC2 LP分类模型。该模型有效地避免了原始MC2 LP分类模型的缺点。另外，新模型充分利用了多约束水平的灵活性，突显出截距项在分类效果上的重要作用。由此，本文发展了两个可以对两类错误进行分别修正的双超平面MC2 LP分类模型。最后，通过对新模型性质的研究，给出了新模型在修正两类错误方面有效性的解释，并对模型的计算复杂度进行了一定的分析。特别地，提出了一个基于新模型求解分类问题的启发式算法。选取三个UCI数据集以验证新模型的有效性。三个数据集分别测试了模型在均衡数据集和非均衡数据集上的效果。同时，借助损失矩阵的概念，论文展示了新模型在修正两类错误上的有效性。这些实验结果说明，新的双超平面MC2LP模型可以显著地修正两类错误。换句话说，在一个二分类问题中，新模型在保持整体准确率不明显降低的同时，可以有效地提高对某一类的分类准确率，并且这样的效果在测试集上有着较好的泛化能力。特别地，根据MC2LP方法的特点，在取定双超平面的不同折中之后，新模型实现了对错误率的有效控制，这使得新模型具有良好的实际应用前景。