随着现代人工智能科学的发展,新的分类器也不断涌现。但是在很多问题中,现有的单个分类器仍旧不能满足实际的需要。而多分类器融合系统的出现,为改善分类系统提供了一条新的思路。其中基于模糊积分的融合方法引起很多学者的关注。采用模糊积分作为融合工具以提高多分类器融合系统的分类精确率和改善系统的稳健性。在基于模糊积分的多分类器融合系统中,模糊测度是融合系统的关键因素之一。模糊测度选择的合适，则可以明显地提高分类精确率。模糊测度的定义方式主要有两种：专家给定和通过数据库学习获得。对于给定的分类器,本文通过分析模糊测度对分类结果的影响,发现基于模糊积分的多分类器融合系统具有一定的纠错能力：即对于一个给定样例,在所有分类器都给出了错误的分类结果的情况下,基于模糊积分的融合系统仍有可能对该样例进行正确的分类。在此基础上,给出了一种用人工神经网络实现动态模糊测度的方法。使得模糊测度可以随着输入样例的不同而变化,及时反映出在对某一具体样本进行分类过程中分类器的重要性和分类器之间的交互作用的不同。实验证明该方法具有一定的可行性。