学习分类系统是一种自适应的规则产生式系统，能够动态感应环境、模拟认知。它利用环境反馈评估种群中的分类规则并通过遗传算法对种群进行进化。经过近三十年的研究，学习分类系统已经发展成了一套成熟的理论框架和算法模型，并且已经在数据挖掘、分类系统、交通信号控制、机器人行走、医疗诊断等众多实际领域得到了成功的应用。尽管如此，在学习分类系统中仍然存在一些值得深入研究的问题，有些应该说是机器学习各个领域的共同问题，譬如知识表示；也有一些是学习分类系统自身相关的问题，譬如系统框架在不同环境下的修正等等。以上种种都吸引了很多研究者从事这方面的工作，也取得了相当的进展。　　 本文在详细介绍学习分类系统当前研究的基础上，探讨了集成分类学习系统以及面向聚类问题的学习分类系统，主要研究成果如下：　　 ·设计了基于Boosting方法的集成学习分类系统的框架和算法，并通过多个实验比较了基于Bagging、Boosting两种方法的集成学习分类系统以及常用的学习分类算法。结果表明集成学习分类系统在不同数据集上具有很好稳定性，因而有较好的适用性。　　 ·设计了能够解决聚类问题的学习分类系统框架。并以实验表明了系统的可行性。