在模式识别领域，不同的分类算法常常得到不同的分类性能，但是没有一种分类算法能对所有的应用都能取得良好的结果，甚至，没有一种分类算法能对原始对象的所有模式都能取得良好的结果。因此，分类器集成逐渐成为模式识别领域中的热点问题之一。 多分类器集成方案设计主要涉及两个问题：(1)分量(单)分类器集合的选择;(2)系统设计。在分量分类器集合的选择时，应该确保集合内的各分类器之间的相关性尽量小，由于目前在分量分类器之间的相关性确定方面尚没有严格的理论指导，本文重点讨论了单分类器集合的优化。在系统设计方面主要考虑系统的结构设计和集成算法的选择和确定，因而本文讨论了多种系统结构和多种集成算法，以及这些算法选择的优化。 由于各分类器之间的相关性确定尚没有严格理论指导，本文选择学习能力强的BP神经网络作为集成器进行手写体数字识别研究。鉴于BP神经网络存在一些不足，探讨了BP神经网络的不足点及相应的改进方法。手写体数字识别选择MNIST手写体字库，结果表明：相对于单分类器，多分类器集成的识别率有了良好的改善；BP神经网络作为集成器有较强的提取各分量分类器之间相互关系的能力，并有良好的推广能力。