由于多分类器系统能够达到比个体分类器更好的分类性能和鲁棒性,该技术受到了越来越多的关注并取得了较大的进展,同时也带来了巨大挑战。越来越多的研究人员试图回答下列问题:如何有效地利用各分类器的性能优势?如何借助中间概念寻找分类器的性能优势区域等等?为探索多分类器系统的有效性,本文从研究分类器融合技术入手,详细地介绍了现有分类器融合算法,并对它们的特性进行比较。然后从组合与选择两种不同策略出发,提出了两种侧重点不同的多分类器融合算法。一种是利用各单分类器在类一级上的性能优势,提出了基于专家类评估的融合算法,并结合实验对其进行探索性而非推理性分析,同时与成员分类器相比较,其结果说明了本算法的有效性和鲁棒性。另一种是基于多分类器行为的算法(DRC),它以多分类器行为向量为中间媒介进行空间转换,实现数据集的约简与学习模型的构建。通过实验对DRC算法进行评估,并与其成员分类算法在原始特征空间与转换空间上的结果进行比较,表明本算法的综合性能优于各成员分类算法。成员分类器的独立性假设是分类器组合技术的难点之一,也是热点之一。本课题在结合各单分类器在类一级上的分类优势及综合性能的基础上,还提出了一种基于信息熵的单分类器选择策略,将其应用于融合系统的设计中,并在一些实际应用数据集上验证该方法的可行性。