В работе для интеллектуального анализа структурированной информации предлагается использовать итерационные алгоритмы типа стохастической аппроксимации. Исследуются критерии качества классификации, зависящие от ненормированных моментов и нулевых моментов классов, а также вид оптимальной классификации. Предложен рекуррентный алгоритм классификации, доказана теорема о его сходимости, обеспечивающая стационарное значение этого критерия качества классификации. Рассмотрено применение предложенного подхода к решению типовых задач классификационного анализа: классического варианта задачи размытой кластеризации с фоновым классом, экстремальной группировки параметров, диагонализации матрицы связи, кластеризации в бинарных, номинальных и ранговых шкалах.