信息化技术为现代人类的工作、生活、学习和娱乐等各个方面带来了更便捷和快速的问题解决方法,但同时由此产生的多元化异构数据也越来越多。如何有效利用机器学习方法,从这些复杂数据中挖掘出有用信息,并应用到实际生活中,对现代从事机器学习和数据挖掘研究的人来说,既是机遇,也是挑战。集成学习是机器学习与数据挖掘领域的重要研究分支之一,其优势在于能够把多个独立的单一分类学习器有机地结合起来,从而获得一个更准确、稳定和强壮的集成学习模型。传统的分类器集成方法在处理数据时,往往是通过选择部分特征或样本训练单一分类器来提高模型各分支间的多样性,以提高集成模型的泛化能力。但这些方法存在一定的局限性:1、选择部分特征或样本意味着在训练单一分类器时另一部分特征或样本要被舍弃,容易造成单个分支的信息丢失,导致基分类器精度下降;2、这些方法很少考虑通过去除集成模型中的冗余和无效分类器来提升集成模型的性能。为了解决上述局限性1,本文提出了一种新的混合降维集成学习方法(HDRF)来提高集成系统中各分支之间的多样性,但同时为每个分支保留了更多的训练样本信息。首先,采用基于树的特征选择算法对有效特征进行分割,并用Bagging方法得到不同的训练子集。然后针对未被选择的样本,提出了一种基于样本相似度的特征转换过程(SFTP)来生成扩展特征,并通过PCA对未被选择的特征和扩展特征进行有效地降维和去除噪声特征,从而得到一组紧凑的和补偿的新特征。针对上述局限2,本文结合分类器之间的相似性和各基分类器的分类性能,设计了一种新的基于自适应动态密度剪枝(FPP)的分类器集成剪枝框架(HDRFPF),通过采样基于相似性的密度聚类与基分类器的分类性能的剪枝方法来去除冗余和无效的基分类器。本文在23个高维数据集上的实验验证了所提出的集成模型的有效性,结果显示,其分类性能优于主流的分类器集成方法。