基于算法随机性理论提出的直推式置信机器能够给出预测的可靠性，但其多用于解决两类识别问题。扩展了置信机器，利用了正反类的思想，在识别时比较多个[P]值来确定测试样本的分类，使其很容易一次性应用于多分类识别问题。为对扩展后的模型性能进行评估，将其应用于经典的模式识别-人脸识别。实验结果表明，扩展后的置信机器具有良好的分类性能，当每类训练集样本增加到6个时，识别率已高于96%。