در این تحقیق پس از معرفی مهمترین و کارآمدترین طبقه بندهای پایه و بحث در مورد اصول و مبانی نظری و تئوری ترکیب طبقه بندهای چندگانه، سه روش پیشنهادی جدید برای ترکیب نتایج طبقه بندهای چندگانه معرفی شده است که عبارتند از روش قانون ترکیب مشورتی، روش ترکیب بیشینه ساز امید و ترکیب کننده انتگرال فازی نرم-کمینه-بیشینه. جهت بررسی این سه روش چهار طبقه بند پایه که برای تشخیص کشتی در تصاویر استفاده می شوند به کار برده شده اند. یکی از آنها با استفاده از روش تطبیق قالب ها پیاده سازی شده است و سه دیگر نیز سه شبکه عصبی هستند که بر روی یک مجموعه ویژگی استخراج شده از تصاویر حاوی کشتی آموزش دیده اند. با استفاده از معروفترین و متداول ترین روش های موجود برای ترکیب طبقه بندها و همچنین سه روش پیشنهادی، خروجی این چهار طبقه بند با هم ترکیب شده و نتایج حاصل از آنها با هم مقایسه شده است. روش قانون ترکیب مشورتی که از ایده مشورت بین طبقه بندها بهره می برد، در دسته ترکیب کننده های آگاه از طبقه و آموزش ناپذیر می گنجد. روش ترکیب بیشینه ساز امید روشی است مبتنی بر الگوریتم em و مخلوط گوسی ها. این روش از ایده یافتن الگوهای تصمیم گیری مشابه در مجموعه طبقه بندها بهره می برد. معرفی یک انتگرال فازی جدید و استفاده از آن در ترکیب طبقه بندهای چندگانه سومین روش پیشنهادی در این تحقیق می باشد. این انتگرال فازی دو پارامتر آزاد برای طراح فراهم می کند که با استفاده از آنها می تواند دقت ترکیب کننده را برای کاربردهای خاص بهبود بخشد. نتایج شبیه سازی ها با استفاده از زبان برنامه نویسی c++، نشان می دهند که سه روش پیشنهادی و نسخه های متفاوت هر کدام در موارد زیادی می توانند بهتر از دیگر ترکیب کننده های موجود در ترکیب نتایج طبقه بندهای چندگانه عمل کنند. در این تحقیق شاهد افزایش بیش از چهار درصدی در دقت ترکیب کننده ها نسبت به بهترین دقت به دست آمده در بین ترکیب کننده های موجود بودیم.