طبقه­بندی یکی از مهم­ترین شاخه­های داده­کاوی است که در طیف وسیعی از مسائل بطور موفقیت­آمیزی مورد استفاده قرار گرفته است. در ادبیات موضوع، تلاش­های زیادی به منظور ارائه مدل­های طبقه­بندی کارآمدتر و دقیق تر صورت گرفته است. علیرغم تنوع مدل­های طبقه­بندی ارائه شده در ادبیات موضوع، همه آنها بر اساس متدولوژی مشابهی توسعه یافته­اند و یک مسئله اساسی در ارتباط با فرآیند یادگیری این مدل­ها نادیده گرفته شده است. در واقع، در فرآیند یادگیری همه مدل‌های طبقه‌بندی موجود در ادبیات موضوع، یک تابع هزینه پیوسته مبتنی بر فاصله به­منظور تخمین پارامترهای ناشناخته مدل استفاده می­شود و این در حالی است که مسئله طبقه بندی دارای ماهیتی   گسسته است. بکارگیری یک تابع هزینه پیوسته برای مسئله طبقه بندی که خود دارای تابع هدفی گسسته است، می­تواند دقت نتایج حاصله را تحت تأثیر قرار دهد. در این رساله یک متدولوژی طبقه­بندی متفاوت که از یک تابع گسسته در فرآیند یادگیری استفاده می کند، پیشنهاد و اجرا شده است. بدین منظور، از سه مدل طبقه­بندی رگرسیون لجستیک، شبکه عصبی پرسپترون چندلایه و شبکه عصبی پرسپترون چندلایه عمیق که به ترتیب از محبوب‌ترین مدل‌های طبقه‌بندی آماری، هوشمند و عمیق هستند، به عنوان نمونه برای اجرای متدولوژی پیشنهادی استفاده می‌گردد. جهت ارزیابی جامع رویکرد طبقه­بندی پیشنهادی، مدل­های پیشنهادی و نسخه کلاسیک آن­ها بر روی چندین مجموعه داده محک پیاده­سازی شده و عملکرد آن­ها با یکدیگر مقایسه شده است. نتایج حاصل از این رساله نشانگر برتری مدل­های طبقه­بندی مبتنی بر یادگیری گسسته جهت­محور نسبت به نسخه­های کلاسیک آن­ها می­باشد. بنابراین، رویکرد طبقه‌بندی مبتنی بر یادگیری گسسته جهت محور پیشنهادی می­تواند به عنوان یک روش جایگزین مفید در فرایندهای یادگیری مدل­های طبقه‌بندی مختلف بکار گرفته شود.