在多个总体的判别问题中,已有的判别方法判别回代率不太"稳定",即对有些数据判别结果可能会好些,而对另外一些数据则不然.该文在已有的判别方法的基础上提出了一种改进了的新判别方法——多次判别法.多次判别法有两层含义:一是多次挑选总体的过程,二是在多次挑选总体的过程中加入了挑选因子的方法.其基本思想是:①、从G<,1>,G<,2>,…,G<,k>中寻找一个总体设为G<,α1>,使得G<,α1>能最大程度的区分各个样品,即应用已有的判别方法(挑选因子的和不挑选因子的)使得判断各样品要么属于G<,α1>,要么不属于G<,α1>的正确率达到最大.②、去掉总体G<,α1>的所有样品,在剩下的k-1个总体G<,1>,G<,2>,…,G<,α1-1>,G<,α1+1>…,G<,k>=△G-G<,α1>,(n-n<,α1>个样品),再寻找一个G<,α2>能最大程度的判断各样品是否属于G<,α2>,即应用已有的判别方法(挑选因子的和不挑选因子的)使得判断各樯品要么属于G<,α1>,要么不属于G<,α1>的正确率达到最大.同样地可以形式上建立判别模型.我们对一些具有多个总体的数据应用一般判别法(该文以Fisher、Bayes、引力三种判别法为例)、多次判别法时行判别.结果表明多次判别法优于一般判别法.我们需要一个评判分类优劣的标准.该文给出了"总体距离损失矩阵"的定义,应用这个定义定量地说明了多个总体之间误判的代价,更加符合实际意义.