分类是数据挖掘的一项主要任务。分类器设计是决定分类性能的关键因素之一。近年来,分类器集成学习由于其在降低分类系统泛化误差、简化分类器设计等方面的优良表现,成为人工智能、机器学习、模式识别、神经计算等领域的研究人员以及各工程应用领域中的技术人员共同关心的一个研究热点。本文在全面介绍分类器集成的研究现状、工作机理和发展趋势的基础上,提出了用于提高分类器集成系统分类性能、扩大其应用范围的多种算法。包括:(1)在分析了集成的整体性能与成员分类器性能和多样性之间关系的基础上,提出了一种基于聚类的分类器选择集成算法。该算法以多样性作为聚类距离,以准确性作为选择标准,能够显著提高原系统的多样性及分类性能。(2)利用分布估计算法对特征集进行优化选择建立分类器集成。经过优化选择不仅降低了集成规模,而且提高了集成的整体性能。(3)研究了如何利用集成方法进行缺失数据的分类。提出了一种利用分类器集成进行缺失数据分类的算法。该算法对数据缺失机制不作任何假定,而且可以处理测试样本中新的缺失模式。(4)研究了如何利用集成进行自适应的分类系统增量学习。提出了一种基于两级假设检验的学习方法。既避免了对旧知识的“灾难性遗忘”,又增强了学习的“稳定性”。