机器学习是一种重要的数据分析技术,主要用于处理分类和回归任务。最常用的机器学习模型主要有逻辑回归、支持向量机、决策树、朴素贝叶斯、最近邻等。集成学习是将多个机器学习模型按照某种规则组合成一个模型的机器学习技术,它能提高单个模型的性能,是机器学习中最流行和最成功的技术之一,甚至被认为是机器学习问题中最先进的解决方案。Bagging,Boosting和Stacking是目前最主要的集成学习思想,而寻求适用范围广泛且性能强大的集成学习方法仍是目前集成学习的研究热点之一。本文针对分类任务提出了一种不同于Bagging,Boosting和Stacking的集成学习方法——主从结构集成学习分类模型（Hypotactic Ensemble Learning Classification Model,简记为HELCM）。论文从以下三个方面对HELCM的设计和应用进行了阐述:第一部分是HELCM的设计方案及理论分析。HELCM由主模型、分配器和从模型三个部分构成,其中分配器的作用是将待分类样本集按照主模型能否正确分类划分成正判集与误判集,主模型和从模型的任务分别是对正判集和误判集中的样本进行分类,以让主模型尽可能只对自己能正确分类的样本进行分类,而将主模型可能不能正确分类的样本交给从模型进行分类。由于任何分类模型都可以作为HELCM的主模型,因此HELCM还可以扩展为多层模型。理论分析表明HELCM的准确率会在分配器和从模型的准确率达到一定程度时是一定提高的。第二部分是HELCM的实验验证。在HELCM中每个部分都可以采用任何一种机器学习分类模型,各部分指定后就能构成一种集成学习分类算法。例如:主模型、分配器和从模型分别采用支持向量机、最近邻和朴素贝叶斯的HELCM可以称为HELCM（支持向量机-最近邻-朴素贝叶斯）算法。实验设计了以最近邻模型和梯度提升树模型作为分配器的多种HELCM,并在两个标准数据集上做了测试,实验结果表明,HELCM优于基线模型和现有的三种集成方法,能获得更高的预测准确率,证明了HELCM的有效性。第三部分是HELCM的应用实例。将现有的分类算法和主从结构集成学习分类算法应用在航空客户流失预测上。同样构建了以最近邻模型和梯度提升树模型做分配器,分别用十种不同的算法构建主模型和从模型的HELCM,然后将其与基线模型进行了比较,发现在航空客户流失的预测上,HELCM往往能取得更高的准确率。