集成学习是一类非常重要且实用的机器学习方法,但集成学习不是一种特定的机器学习方法,它是通过生成并组合多个基学习算法来完成任务。该工作有效地促进了信息融合、数据建模、数据挖掘等领域的发展。基学习器的融合是集成学习研究领域的一个热点话题。现有的集成学习的融合方法大致可以分为以下三种:1)平均法;2)投票法;3)学习法。投票法是集成学习问题中常用的融合方法。投票方法多种多样,大致可以划分为加权投票和非加权投票。以往的对于集成学习里的基学习器的融合的投票方法都过于简单,效率低下,因此本文对集成学习的融合阶段展开了研究,主要研究工作如下:（1）提出了一种新的基于真值发现的异质集成分类方法ECTD-S。该方法在计算的过程中,首先初始化基分类器的权重,也即基分类器的可信度,然后根据真值发现的推理规则推理得出类别的可信度,接着再根据推理规则迭代更新基分类器的可信度。算法在达到收敛条件时停止迭代,得到最终的类别预测结果。实验结果表明,ECTD-S在查全率、查准率和F₁值上均优于对比算法,证实了该方法用于异质集成分类的有效性。（2）提出了一种新的基于真值发现的同质集成分类方法ECTD-B。首先对原始训练集做Bootstrap有放回抽样得到多个训练子集,基于这些训练得到多个同质基分类器,然后对测试集进行初步预测得到初步的预测结果。在最终预测阶段,首先初始化基分类器的权重,基于真值发现的推理规则得到类别的可信度,然后根据推理规则迭代更新基分类器的可信度。在算法收敛时,得到最终的预测结果。该方法可在预测阶段动态设置基分类器权重。实验结果表明,ECTD-B方法具有较好的分类性能。