在人工智能领域，模式识别是一个非常重要的方面。本文就如何提高识别性能对模式识别系统进行了研究。 本文首先对基于BP学习算法的神经网络模式识别方法进行分析和研究，指出了其存在的缺点，利用模糊逻辑的知识表达能力，在神经网络中引入模糊逻辑，构成模糊神经网络来改善网络性能，针对模糊神经网络的参数难以选择问题，提出了基于遗传算法的模糊神经网络学习模型。但是单一分类器由于其采用的特征类型单一性以及自身的局限性，改进的网络模型虽然在一定程度上提高了识别性能，但是这种提高有限。 研究发现，不同分类器在识别性能上有互补作用，因此如何把各种分类器结合在一起，从而能够集成各个分类器的优点，而抑制它们的缺点，是提高识别性能的关键，对该问题的研究，虽然已经取得了一些成果，但是研究主要集中于抽象级信息的集成，而忽略了表征分类器性能的完整信息——度量级信息，因此不能从根本上解决分类器性能的互补问题。 针对上述问题，本文对多分类器集成进行了深入研究。首先总结了用于模式识别的多分类器集成机理以及存在的问题，并对各种基于抽象级信息的建模方法进行分析和比较，指出了基于抽象级信息的分类器集成存在的缺点，提出了基于度量级信息的分类器集成，并采用模糊积分进行集成建模，对于模型中的模糊积分密度难以确定问题，采用了一种动态评价方法——贝叶斯方法，仿真结果表明了该建模方法的有效性。