多维域上函数观测值的内在无穷维特征使得标准分类方法实际上不适用。为了解决这个问题，我们引入了一种新的多类函数深度神经网络（mfDNN）分类器，作为一种创新的数据挖掘和分类工具。该体系结构将稀疏深度神经网络与整流线性单元（ReLU）激活函数结合在一起，在多类分类框架中最小化交叉熵损失。这种设计使现代计算工具得以利用。对于完全观测和离散观测的多维函数数据，还导出了误分类风险函数的收敛速度。通过仿真和来自不同应用领域的几个基准数据集证明了mfDNN的有效性。