回归和分类是对数据进行定量分析的常用方法。在对数据进行分析时，通常建立回归模型来分析解释变量与响应变量之间的关系，但响应变量是属性指标时，常用的定量回归分析方法变得不再适用，此时需要建立Logistic回归模型来分析解释变量与响应变量之间的关系。Logistic回归模型也适宜于解决数据的分类问题。现阶段分类算法已有很多种，Logistic回归和支持向量机（SVM）是其中的两种。Logistic回归模型对数据进行分类是以概率值的大小来判别，它具有适应性强、稳健性和模型的解释性好等优点；SVM的主要优点是预测精度较高，在解决小样本、非线性和高维数等问题时有很好的表现。现阶段采用多分类算法对数据进行多类别的分类已成为研究的重点。传统的多分类Logistic回归（MLR）模型是以输出概率值作为分类标准，特别是多个分类概率在1/K附近时（K为分类数），具有较大的误判可能。为了解决这个问题，本文将多分类SVM（MSVM）引入到MLR模型中，提出了集成Logistic回归和SVM的多分类（MLR-MSVM）算法，将MSVM的输出结果作为MLR输出概率的支持理念，从而降低误判风险，提高分类判别的准确性和求解的效率。本文采用UCI机器学习库中的数据还进行了实证分析，将MLR、MSVM以及本文提出的MLR-MSVM算法的三种实验结果加以比较，实验结果表明该集成算法具有较好的稳健性和分类效果，是一种有效的算法。