Los investigadores han propuesto muchos enfoques para identificar clases clave en software desde la perspectiva de redes complejas, como CONN-TOTAL-W y ElementRank, que pueden ayudar efectivamente a los desarrolladores a entender el software. Sin embargo, estos enfoques tienden a depender de una sola métrica al medir la importancia de las clases. No consideran la agregación de múltiples métricas para seleccionar las clases ganadoras que se clasifican alto en la mayoría de las métricas. En este trabajo, proponemos un enfoque de identificación de clases clave utilizando la agregación de clasificación basada en cadenas de Markov, llamada CRA. Primero, CRA construye una red de acoplamiento de clases dirigidas ponderada (WDCCNet) para describir el software y luego aplica enfoques existentes en WDCCNet para calcular la importancia de las clases. En segundo lugar, CRA filtra algunas métricas de acuerdo con reglas específicas y utiliza la cadena de Markov para agregar las métricas restantes. Cuando la distribución de probabilidad del estado alcanza un punto fijo y ya no cambia, las clases en el software se ordenan en orden descendente según la distribución de probabilidad, y las clases principales se tratan como el 15% superior. Para evaluar el enfoque CRA, lo comparamos con 10 enfoques de referencia disponibles en 6 piezas de software. Los resultados empíricos muestran que nuestro enfoque es superior a los de referencia según la clasificación promedio de la Prueba de Friedman.