一直以来,僵尸企业是我国经济发展中的巨大隐患。为此我国各地实施了一系列处置僵尸企业的决策,其中首要任务是对僵尸企业识别和分类。目前,已有的大量研究是在传统僵尸企业识别方法（如FN-CHK）上进行改进,但普遍存在如下问题:数据分析不全面,基于单一特征进行分析,识别过程中掺杂过多主观性。鉴于此,本文结合近年来热门的集成学习分类模型对企业数据进行自动和全面的挖掘分析,并设计僵尸企业识别方案,进而实现僵尸企业识别和分类。本论文的主要工作和创新点如下:首先,本文针对搜集的企业数据集进行数据预处理,通过分析数据的特征类型及特征分布情况,制定有效的填充方案,其中包括均值、众数等填充方式。然后对类别特征进行独热编码转换,给出了编码方案解释。最后通过特征合成的方法对数据进行特征增强,以此提高数据的特征维度,为后续的僵尸企业识别研究和建模做准备。接着,本文设计了基于特征选择和集成学习的僵尸企业识别方法。鉴于对僵尸企业的数据集学习一般为不平衡学习,采用交叉验证优化的递归特征消除法（RFECV）提取区分度高的特征子集,改善不平衡数据的影响。再通过比较集成学习中几种典型分类模型的分类性能,制定不同的融合方案。最后使用加权融合机制分别对不同融合方案中的模型进行融合处理,并引入遗传算法优化权重分配,以构建自适应加权融合的分类模型,同时选出性能最优的融合模型。实验结果表明,该方案选出的融合模型对比其他分类模型准确度更高。最后,本文设计了基于改进深度森林的僵尸企业识别方法。对于僵尸企业的不平衡数据导致深度森林分类不准确,以及深度森林自身存在时间复杂度高的问题,本文对深度森林进行了改进。首先,通过基尼系数计算提取最优特征子集,以取代原始特征集去训练完全随机森林,由此降低深度森林时间复杂度。然后结合置信度机制和权重策略提出一种新的权重计算方法,以改进不平衡数据集在级联森林中存在的负面影响问题,进一步提高僵尸企业识别准确度。实验结果表明,本文提出的改进深度森林模型在时间复杂度和准确度上都有不错的性能优势。