在模式识别的发展中,分类器集成发挥了重要作用。当集成规模逐渐增大时,分类器间会出现一些冗余的个体,进而使分类器间差异度呈现下降趋势。于是开始针对减小分类器规模的方法进行研究。为此,一些学者提出了选择性集成的策略,通过增加一个分类器再选择的阶段,将初始基分类器集合中差异度较小的分类器剔除。本文围绕选择性集成的两大目标进行:选择后的分类器集合具有合适的差异度和选择后的分类器集成具有良好的分类精度。本文的主要工作包括:(1)提出了一种聚类算法与排序修结合的分类器集成方法。首先将分类器集合的混淆矩阵转置处理后进行聚类,然后基于周志华等人提出的DREP(diversity regularized ensemble pruning)算法改进,并提出一种排序修剪算法对各子集并行修剪,最后使用投票法对选出的分类器集合进行集成。实验在UCI数据库中的10组数据集上进行,并与Bagging和DREP算法对比分析,结果表明该算法有效提升了集成系统的分类能力。(2)提出了一种使用混合差异性度量的分类器选择方法。首先计算分类器集合的成对差异度矩阵,然后根据阈值将其转换成图的邻接矩阵,然后利用基于遗传算法的图着色方法将分类器进行分组,最后提出一种基于信息熵的评价体系,评价指标为若干种非成对差异性度量方法,根据该体系选出最佳的一组参与最终集成。实验与多种集成方法(Bagging、Adaboost、DREP、Diversity Measures for Ensemble Pruning(DivP))进行了对比与分析,结果证明了该算法的可行性。