分类(Classification)是数据挖掘领域中一个重要技术。该技术已在相关领域取得了成功应用，其泛化能力也得到了一定程度的认可，但是随着时代的进步和科学技术的不断发展，人们对分类技术的成果有了更高的要求，多分类器集成技术就是在这样的背景下产生的，它通过集成多个满足一定条件的学习个体来达到有效改善分类系统鲁棒性和泛化能力的目的。　　 论文比较全面地介绍了多分类器集成的研究现状、工作原理以及常见方法。重点探讨了多分类器集成的一个重要分支一多分类器加权集成技术，并就当前多分类器集成方法所存在的一些不足，提出了相应的解决方案，有效地改善了集成系统的分类性能。　　 论文的主要研究成果包括以下几个方面：　　 1、系统介绍了多分类器集成技术的相关概念、发展现状和工作机制，概要地归纳了这些动态方法存在的主要不足，详细讨论了三种经典的多分类器集成方法。　　 2、基于KNN的多分类器集成研究。针对KNN选取不同的距离函数和计算距离的方法，提出一种基于KNN的混合多种距离度量加权方法HMD，选用三种度量方式，利用UCI数据库中的数据集进行了实验验证。实验结果表明，与单一的度量方法相比，方法HMD获得了更好的分类效果。　　 3、基于随机子空间的多分类器加权集成研究。为了能够使得基分类器的利用率最大化，通过对交叉验证的结果进行分析，提出了一种基于随机子空间的基分类器加权集成算法RSS-cv-BC。实验表明，RSS-cv-BC算法可以获得较优良的分类性能。　　 4、基于PSO的多分类器加权集成研究。根据PSO中向优秀粒子学习的机制，提出了一种基于拓展PSO的加权集成方法，实验表明，该方法的正确率有了明显的提高。