网络集成学习算法是将分类器网络与集成学习并用,得到具有更强的学习能力和泛化能力的分类器网络系统,并将其应用于SAR图像目标分类识别和入侵检测中,本论文的主要工作概括如下：(1)提出了一种自调节分类器网络学习方法,对经典的网络集成学习方法,提出了一种加权调节改进方法。该方法是在最终决策时引入各基分类器的权重,使得各基分类器决策的重要程度得到表征,从而提高了其稳定性和抗噪性；在此基础上,针对在经典的网络集成学习方法中,可变的参数较多且难协调的问题,采用免疫克隆选择算法进行优化,自动选出使得分类器网络分类性能较好的参数组合,形成自调节分类器网络,从而可以节省人力和时间找到较优的参数组合。(2)提出了基于迁移网络学习的SAR图像目标分类识别方法,该方法是针对现有某些SAR图像有标签样本较少,且存在遮挡和残缺的目标图像,正确识别率较低的问题,将迁移学习引入网络集成学习中,构造了基分类器迁移模型,提出了迁移网络学习算法,将其用于SAR图像目标识别中,具有较好的分类性能。(3)提出了基于分布式迁移网络学习的入侵检测方法。网络入侵检测涉及到大规模数据分类识别的问题,且网络入侵检测数据具有网络特性。针对分布式网络集成学习算法的检测结果表明在不同的入侵行为类型上存在检测率不平衡的现象,为了提高其检测正确率,将迁移学习引入分布式网络集成学习中,提出了分布式迁移网络学习算法,提高了整体的检测正确率。本论文的工作得到了以下基金和项目的资助：“十一五”预研项目(No.51307040103),国家“973”计划项目(No.2006CB705707),高等学校科技创新工程重大项目培育资金项目(No.706053),国家自然科学基金(No.60672126,60703109,60803098),陕西省自然科学基金(No.2009JQ8016)。