AdaBoost是数据挖掘领域中的一种经典分类算法,但是在噪声环境下容易发生过拟合,近年来已经有很多研究者提出了相关的改进算法,然而研究AdaBoost在噪声环境下性能的进一步提升仍有较高价值。本文研究利用学习自动机技术对AdaBoost进行改进,首先对经典数据挖掘分类算法AdaBoost的性能进行分析,随后提出一种使用连续动作学习自动机的改进算法。该算法在AdaBoost算法的基础上,使用连续动作学习自动机的动作更新样本点权值,解决了样本点权值对异常点容易发生过拟合的问题。此外,针对连续动作学习自动机的收敛速率问题,本文又给出了一种使用随机点定位的改进策略,通过CPL-ATS算法对迭代过程中的样本点权值进行更新。文中给出了这两种算法的具体步骤,并通过仿真实验进行了验证。其次,鉴于Sastry提出的一种学习自动机分类器在噪声环境下具有良好的性能,但是存在不能应用于非线性数据集的局限,针对该局限,本文给出了通过结合集成学习方法对非线性数据进行分类的思路。出于对效率和精度的考虑,本文使用一种Boosting方法对原算法进行改进,实验结果表明,该方法能够实现对非线性数据集分类的目的,且在噪声环境下具有良好性能。