间隔理论是Boosting算法泛化性分析的关键,因此,基于间隔理论的Boosting算法设计成为当前重要的研究课题。本文基于最新间隔理论成果,首先定义一种近似最优的间隔分布(k*-最优间隔分布)。与AdaBoost生成的间隔分布相比,k*-最优间隔分布能够得到更紧的泛化界,因而具有更好的泛化性。在此基础上,提出两种策略KM-Boosting及MD-Boosting去近似k*-最优间隔分布。其次,针对现有间隔分布泛化界难以计算的特点,推导基于经验间隔分布一阶矩和二阶矩的Boosting泛化误差界(Boosting的矩泛化界),该泛化误差界可更直接地刻画间隔分布对Boosting的影响。然后,依据所推导的Boosting的矩泛化界,给出Boosting算法的模型选择准则(Boosting的矩准则),该准则最大化间隔分布的一阶矩同时最小化间隔分布的二阶矩。采用列生成实现该准则,进一步提出矩优化的Boosting算法。最后,实验结果表明,本文的方法是有效且可靠的,与理论分析一致。