组合凸线性感知器(Multiconlitron)是用来构造分片线性分类器的一个通用理论框架,对于凸可分和叠可分情况,分别使用支持凸线性感知器算法(Support　conlitron　algorithm,　SCA)和支持组合凸线性感知器算法(Support　multiconlitron　algorithm,　SMA)将两类样本分开。本文在此基础上,提出了一种基于极大切割(Maximal　cutting)的组合凸线性感知器构造方法。该方法由两阶段训练构成,第一阶段称为极大切割过程(Maximal　cutting　process,　MCP),通过迭代不断寻求能够切开最多样本的线性边界,并因此来构造尽可能小的决策函数集,最大程度减少决策函数集中线性函数的数量,最终简化分类模型。第二阶段称为边界调整过程(Boundary　adjusting　process,　BAP),对MCP　得到的初始分类边界进行一个二次训练,调整边界到适当位置,以提高感知器的泛化能力。数值实验说明,此方法能够产生更为合理的分类模型,提高了感知器的性能。同其他典型分片线性分类器的性能对比,也说明了这种方法的有效性和竞争力。