近年来,为了更好地满足决策对于精确性和客观性的要求,各种各样的数据驱动多准则决策研究开始大量涌现。但现有研究大多是通过设计一种决策参数自学习机制来对传统多准则决策方法进行改进与拓展。虽然这类研究也能够提升多准则决策在大数据环境下的适用性,但由于这些模型的内在结构较为简单,导致在决策精度方面常难以满足实际需求。针对这一问题,本文在对不同类型多准则决策过程进行分析的基础上,研究了基于多分类器系统的数据驱动多准则决策方法,旨在利用多分类器系统的学习能力在确保决策结果可理解的条件下提升决策精度,为决策者更好地提供决策支持。本文的主要研究内容和创新点如下:（1）面向多准则决策情境下的偏好学习,本文提出了一种基于多分类器动态集成的数据驱动偏好学习方法。该方法首先利用区间数对多准则偏好学习问题进行建模,然后设计了一种基于多分类器集成误差和集成多样性的动态加权机制,能够根据基分类器在预测不同方案整体评估值时的性能差异,动态调整加权集结过程中基分类器的权重大小。随后在此基础上,又构造了一种线性多准则决策优化模型,通过学习一组准则权重来转化多分类器系统的加权集成预测结果,确保了最终偏好推荐结果的可理解性。基于真实甲状腺结节超声分级诊断数据的实验研究表明,所提方法能够在保证偏好推荐结果可接受的条件下,提升决策偏好推荐精度。另外,基于公开分类数据集的实验表明,本文提出的动态集成机制也能够取得优于现有集成方法的分类表现。（2）面向多准则决策情境下的个体决策,本文提出了一种基于多分类器动态选择的数据驱动决策方法。该方法首先利用区间数对多准则个体决策问题进行建模,然后设计了一种基于数据相似性和分类精度的多分类器动态选择机制,能够为每个待评估方案选出最合适的单个基分类器。随后在此基础上,又设计了一种决策优化模型,通过学习一组准则权重来转化所选基分类器的金标准评估预测结果,确保了最终金标准评估推荐结果的可理解性。基于真实甲状腺结节良恶性超声鉴别数据的实验研究表明,所提方法能够有效拟合历史方案准则评估值和金标准评估值之间的映射关系,确保整体决策表现。另外,基于公开二分类数据集的实验表明,本文提出的动态选择机制能够在不需要主观确定近邻区域规模的情况下,取得与现有动态选择方法相似的分类表现。（3）面向多准则决策情境下的群体决策,本文提出了一种基于多分类器动态集成选择的数据驱动群决策方法。该方法首先利用区间数对多准则群体决策问题进行建模,然后设计了一种基于最优单个基分类器预测表现的多分类器动态集成选择机制,能够为每个待评估方案选出最优的基分类器子集。基于所选基分类器子集的集成预测结果,随后又设计了一种基于交叉熵的决策优化模型,能够通过学习一组最优群体准则权重来提升群体专家对群决策推荐结果的接受程度。基于多位超声医生甲状腺结节超声诊断数据的实验研究表明,所提方法不仅能够有效学习群体专家的共同决策偏好,也能有效帮助他们对大规模的决策方案进行评估。另外,基于公开分类数据集的实验表明,在误差独立这一假设不被满足的情况下,本文提出的动态集成选择机制由于在集成选择过程中考虑了不同分类器的集成预测性能,所以能够取得比现有动态集成选择方法更好的分类表现。本文研究成果一方面推动了决策理论在大数据环境下的进一步发展与完善,另一方面也能够在一定程度上为研究基于人工智能技术的数据驱动管理决策框架构建提供参考。