纠错输出编码(ECOC)是一种多类分类的集成学习方法框架,比单个分类器具有更好的分类效果。ECOC算法的研究至今仅有二十年时间,但已广泛应用于人脸识别、交通信号识别、微阵列数据分析等领域。纠错输出编码框架包含编码和解码两部分,相关的研究者主要针对这两个方面提出不同的算法理论,而研究的重点是编码部分。本文从编码和解码方面分别对纠错输出编码进行探索。在编码方面,本文介绍编码算法的重要性和种类。在分析一些经典编码方法的基础上,本文提出两个新的编码方法。(1)针对微阵列数据的自调节编码算法(SA-ECOC)。该算法针对微阵列数据高维小样本的特点设计了动态自适应的编码算法进行分类,即先生成初始编码矩阵,然后根据数据的分类难度基于迭代增加矩阵的列。该算法还提出一种选列的标准“距离间隔”,保证新加入的列对分类结果有提升。与DECOC等经典ECOC算法的对比实验表明,SA-ECOC分类准确率略优且更稳定。(2)个性化编码方法(CECOC)对数据样本的特点分析,为不同样本设计个性化编码矩阵。基于UCI数据集以及微阵列数据集的验证结果显示,CECOC方法比没有个性化编码的矩阵效果更好,且更稳定。在解码方面,本文介绍了解码方法的作用和种类,以及常用的几种解码方法。文中基于弱欧氏距离解码(AED)的多零倾向等不足,提出了新的解码方法:比例欧式距离解码(RED),并结合文中提出的编码算法完成了两个完整的新ECOC算法框架。