机器学习是研究让机器具有学习的能力,集成学习是机器学习的一大研究热点,是将多个不同的单个个体模型组合成一个最终模型,这些模型就是我们所要生成的分类器。生成这些模型的目的是利用这些个体模型,利用他们之间的差异性,来改善模型的泛化性能。近年来分类器选择集成方法的应用越来越广泛,已经深入到很多的领域,比如在语音识别、人脸识别、情感识别、文本分类、数据挖掘、游戏、遥感图像分类、医疗诊断等,在这些方向上受到了广泛应用。分类器集成利用不同分类器之间的互补性,提高集成后分类器的性能,并且在各自分类性能上分类器集成充分发挥了每个成员分类器的优势,得到比单个成员分类器都好的分类识别率,其目的是通过对多个互补的分类器识别结果的集成来得到一个高性能的识别系统。具有很大的研究价值,并且也具有很广的实际应用前景。分类器的差异性和准确性是集成学习的两个充分必要条件,也是选择性集成学习的主要依据,通过提高成员分类器的识别率,增加成员分类器的差异性,来达到提高分类器集成系统性能的目的。但是,在体现分类器的多样性方面分类器集成方法存在着很多不足。为了实现分类器集成系统的最优性能,需要生成具有高准确性和差异性的分类器进行集成,二者必须兼顾,同时也需要考虑针对不同类别的样本采用不同的集成方式。就分类器集成学习中如何提高分类器的准确性,如何提高分类器的差异性这些研究问题进行研究。分析并研究了成员分类器的准确性和差异性的产生,提高集成分类器的识别性能。本文的工作主要是:分别从集成学习的两个阶段(个体分类器的生成阶段和个体分类器的组合阶段)入手,进行了有关集成学习的两个阶段的优化处理,来生成具有高准确率和差异性的分类器。在分类器的生成阶段,为了生成具有准确率较高的分类器,采用了对原始训练数据集进行特征分割的方式,产生较优的分类器,充分考虑训练样本集的分布特征,在保证单个分类器高性能的情况下,达到成员分类器多样性的目的。在分类器的组合阶段,组合这些分类器的分类结果来达到理想的效果,利用合理的差异度量公式选择出具有差异性的分类器,使得分类器的两个必要性都得到保证,得到平衡,有利于提高集成学习的识别性能。