Klasifikācijas uzdevums ir populārs datu ieguves uzdevums dažādās sfērās – medicīnā, finansēs, bioloģijā u.c. un tā risināšanai ir izstrādātas daudzas metodes. Viena no populārākajām pieejām klasifikācijas uzdevuma risināšanā ir lēmumu koku izmantošana, jo modeļu izveide aizņem salīdzinoši maz resursu un tos ir viegli interpretēt arī speciālistiem, kas nepārzina šīs metodes. Darbā tiek apskatīta datu struktūras meta-informācijas izmantošana datu ieguves klasifikācijas uzdevumā. Meta-informācija var tikt izmantota piemērotākā klasifikatora un tā parametru izvēlē, kā arī datiem piemērotāka klasifikatora projektēšanā. Tiek apskatīts modelis, pēc kura principa darbojas klasifikatoru izvēles sistēma, kas balstās uz meta-informācijas par datiem. Darbā apskatītas divas metodes, kas izmanto datu struktūras informāciju klasifikatoru projektēšanā ar mērķi izveidot datiem pielāgotus, kompaktus un precīzus klasifikatorus. Klašu dekompozīcijā ar hierarhiskās klasterizācijas palīdzību tiek aprakstīta klašu iekšējā struktūra, sadalot klases apakšklasēs, lai uzlabotu klasifikatoru precizitāti. Uz atribūtu vērtību taksonomiju pamata konstruētos lēmumu klasifikatoros tiek izmantota atribūtu iekšējā struktūra, lai konstruētu klasifikatorus, kas izmanto atribūtu vērtības dažādos abstrakcijas līmeņos. Datu struktūras meta-informācijas izmantošanas ietekme uz klasifikatoriem tiek eksperimentāli pārbaudīta, izmantojot reālās dzīves datus. Abu apskatīto metožu pielietošana zīmīgi uzlabo klasifikatoru veiktspēju salīdzinot ar klasifikatoriem, kas konstruēti neizmantojot šīs metodes, kas pierāda meta-informācijas izmantošanas lietderīgumu. Tāpat tiek apskatīti sarežģījumi, ar kuriem nākas saskarties, veidojot uz meta-informācijas balstītas klasifikatoru izvēles sistēmas, un ieteikumi tālākajam darbam.