多分类器融合能够在一定程度上弥补单个分类器的缺陷,因此它在模式识别中得到了广泛的应用。目前对多分类器融合的研究己经不再局限于融合算法的提出和改进,而是更多地着眼于分量分类器的关系研究,尤其是分类器差异性的研究。研究者希望利用差异性度量对分类器融合性能的预测能力来指导多分类器融合系统的构造。本文紧紧围绕多分类器系统这个课题,对分类器差异性度量进行了研究。本文的工作主要集中在以下几大块:(1)提出了一种基于差异性度量的多分类器选择算法(Diversity MeasureSelective,DMS),该算法主要是在传统的多分类器融合系统的基础上增加了分类器选择,也就是说在分类器融合之前先对分类器集合进行选择获得新的分类器集合。在UCI数据库上的实验结果证明,使用该算法可以在减少多分类器系统中分类器数量的同时,保持甚至提高识别率。(2)从分量分类器准确率和分量分类器间差异性两方面出发,提出了一种基于差异性度量特征选择(Diversity Measure Feature Selective DMFS)的多分类器融合算法。DMFS算法分两阶段产生用于构建不同分量分类器的特征子集:第一阶段利用Relief特征评估结果依权重从原始特征集合中选择特征组成特征子集,第二阶段通过精调使各特征子集间满足一定的差异性。实验表明,该算法的测试准确率始终优于Bagging、Boosting算法构造的多分类融合系统,并且该算法的运行速度远高于Bagging和Boosting算法。(3)对基于差异性度量的应用进行了初步探讨,并以DMFS算法在基于内容图像检索中的应用作为例子,详细分析了基于独立关键子块进行图像检索的新方法。根据DMFS算法在图像数据库上的实验结果证明,采用DMFS方法生成图像独立关键子块,用分类器识别分类就可以取得好的检索结果。本文最后对研究工作进行了总结,提出了今后进一步的研究方向。