科技型中小企业公共服务补助资金实施六年来,每年均有近五千家服务机构获得基金资助。面对如此多的服务机构,对其补助基金实施绩效的评价变得非常困难。目前,主要采用专家通信或者会评的方式来评价,这样工作量非常繁重,而且由于是人工评级,存在一定的主观性同时也难以保证公平性。因此需要设计一种由计算机自动完成的评价方法来克服人工评级方法中的不足。本文主要工作如下:首先分别介绍了补助基金项目的研究背景及意义、发展现状,然后详细综述了当前绩效评估算法及不足。其次,综述了当前机器学习领域中的分类算法。由于可将绩效评级问题转化为分类问题,即可将收集到服务机构补助基金实施指标数据作为训练集,学习一类分类器,从而实现新服务机构补助资金的评级,因此综述了当前分类算法。再者,提出一种基于果蝇优化的属性约简算法并将其用于补助基金绩效评价指标约简。补助基金绩效的评价体系中有四十八个指标,采用人工的方法确定哪些指标是补助资金绩效评估的核心指标非常困难。因此我们借助粗糙集理论和果蝇优化算法,提出一种基于果蝇优化的指标约简算法,以此来找到最小的指标集合。仿真实验结果验证了该方法的有效性。最后,提出了一种基于可行域解析中的多类分类器集成方法,并将其用于服务机构补助基金实施后的绩效评级。由于多类支撑向量分类器对应于可行域中的最大内接超球中心,当可行域狭长时,其分类性能明显降低。而此情况下,基于可行域解析中心的多类分类器的分类性能不受影响。因此,本文采用基于可行域解析中心的多类分类器来进行服务机构补助基金实施后的绩效评级。为进一步提高分类性能,论文引入分类器集成的思想,通过bootstrap方法构造多个多类分类,然后将这些分类器的输出平均作为对补助基金绩效的最终评估。仿真实验结果验证了该方法的有效性。