近年来，多类别的分类问题是支持向量机研究的热点之一。目前已提出的算法中1-a-r算法和1-a-1算法在类别数目较多时，其训练和分类效率都比较差，且存在“无法辨识区”。DAG-SVM算法在类别数较多时，训练速度较慢，且根节点的选择会直接影响分类的最终结果。DT-SVM算法具有较高的训练速度和分类速度，也不存在“无法辨识区”，但是由于其采用的树结构固定，而且各个决策节点的选择具有随机性，因而很容易产生“误差积累”问题，因此，分类性能常常不够稳定，往往达不到最优。GADT-SVM算法利用遗传算法对树结构进行优化，使得决策树的结构具有了自适应性，但是分类精度还不够高。为了进一步提高SVM多分类策略的总体性能，本文提出了一种基于类电磁机制算法的决策树多分类算法，即在树的各个决策节点运用类电磁机制算法优化两分类决策，从而自动生成最优或近优的决策树。首先，基于分类问题的特点，对类电磁机制算法进行了改进：通过对多分类问题以及各种编码方案进行分析，采用实值编码策略对粒子进行编码；根据粒子的受力情况以及多分类问题的特点，提出了一种新的适合多分类问题的粒子移动方法；并设计了基于最大分类间隔的目标函数。然后，利用改进后的类电磁机制算法，设计了最优决策树生成算法，用以解决多分类问题。最后，对本文提出的EMDT-SVM算法进行了理论分析和仿真。实验结果表明，改进后的算法能够构造出最优或近优的决策树，成功地应用于多分类问题，并且比传统的1-a-r、1-a-1、、和算法有更优的总体性能。在后续的研究工作中，将继续加强对类电磁机制算法在离散优化方面的研究，并以此为基础，运用改进后的算法去求解更多的实际工程问题。