在数字经济时代下,数据作为关键的生产要素,蕴含着重要的知识与信息。为了从大量的数据中挖掘出具有价值的知识信息与潜在规律,对数据进行自动化分类已经成为机器学习领域的研究热点。在模式识别与机器学习的许多实际应用中,如生物信息学、基因微阵列分析、图像识别、文本分类等都面临着高维数据的分类问题。复杂的高维数据包含着大量的噪声和冗余特征,这不仅增加了对数据的存储开销,还增加了构建分类模型的复杂度。同时,高维数据中往往还会夹杂着样本量小、类别不平衡等问题,给分类算法带来严重的负面影响,容易引发维数灾难问题、算法过拟合问题以及算法偏向多数类样本问题,造成分类性能的急剧下降。因此,面向高维数据的分类研究面临着巨大的挑战,迫切需要提出一种有效和鲁棒的分类算法以解决上述的问题。由于在高维数据中难以构造出一个最优的分类器,因此集成学习成为了一种解决高维数据分类问题的有效策略。通过构建出多个不同的分类器,并将这些分类器的预测结果整合起来,集成学习可以得到一个更加准确和鲁棒的预测结果。本文主要围绕集成学习方法在高维数据与高维不平衡数据中的分类问题展开研究,提出了多种有效的集成学习框架。旨在提升集成成员在高维数据中的准确性与多样性,从而构建出一个更加强大和鲁棒的分类器集成系统。本文的主要工作总结如下:1)针对高维数据的分类问题,本文提出了一种基于空间感知的自适应分类器集成算法（Ada SPEL）。首先设计了一种局部空间感知方法,将特征转换应用在多个随机且不相交的局部特征子集上,以缓解算法在高维数据中失效的问题。同时,该方法有助于提升集成成员的准确性与多样性。然后,设计了一种基于样本分布的跨空间感知方法,以生成跨空间增强特征,为数据提供更清晰的宏观分析。最后,设计了一种基于局部和全局评估机制的自适应选择性集成方法,以提升集成系统的分类性能。在不同的高维数据集上与主流的集成方法进行了对比实验,实验结果验证了该算法的有效性。2)考虑到高维数据中包含了大量的冗余和无效特征,对特征集进行随机划分无法保证每个局部特征子集的质量,这可能会对算法产生负面影响。针对这个局限性,本文提出了一种基于子空间增强的分类器集成算法（CESE）。首先提出了一种优势子空间增强方法,对高维数据进行有效的特征选择与转换。在不同的随机场景中,生成多个具有多样性与辨别能力的子空间增强特征。然后,提出了一种混合空间增强方法,对子空间增强特征执行多尺度旋转重构来获得混合增强特征,以增强特征的表示能力。最后,设计了不同的增强特征组合策略以提高算法的分类性能。在不同的高维数据集上的实验结果表明,CESE优于其他主流的分类器集成方法。3)本文提出了一种自适应子空间优化集成算法（ASOEM）,旨在为高维不平衡数据分类构建出一个强大的集成系统。首先提出了一种自适应子空间生成方法,该方法考虑了特征在不同场景中的性能,从而挖掘出更鲁棒的优势特征子空间,缓解了高维不平衡数据中冗余和无效特征的影响。然后,通过使用旋转子空间优化,将优势特征子空间中的单变量特征转换成多变量特征,以增强特征的表示能力与多样性。最后,基于不同的重采样策略实现了ASOEM的多个扩展版本以验证出算法的通用性。在高维不平衡数据集上的实验结果表明,该算法优于主流的不平衡学习方法与分类器集成方法。4)考虑到在高维不平衡数据中难以构造出一个最优的特征子空间,本文提出了一种基于多视图优化的分类器集成算法（CEMVO）,旨在从特征优化与样本优化两个方面处理高维不平衡数据。首先提出了一种优化子视图生成方法,从不同的随机场景中生成多个多样的优化子视图。然后,考虑到优化子视图是从不同场景中生成的,它们的泛化能力存在差异性。因此,提出了一种优化子视图选择性集成方法,从优化子视图中整合出一个泛化能力更强的优化视图。最后,在优化视图中执行过采样策略,以构建出新的类别平衡子集,从而缓解了不平衡数据对基分类器的影响。在不同的高维不平衡数据集上的实验结果证明了所提出的算法的优越性。