在这个信息科学时代,随着软件和硬件的快速发展,现在的数据的获取和存储速度越来越快。在现今社会,数据无处不在。另外一方面,大量的数据中也产生了数据的噪音和数据的冗余。如何正确地对该类数据进行正确的处理,并挖掘其中有用的信息,是当今信息技术时代的的一个难题。计算科学领域中的机器学习和数据挖掘算法就是其中的一个解决问题的方法。机器学习和数据挖掘算法可以从大量的数据中挖掘有用的信息,并建立有效的学习模型。集成学习作为机器学习和数据挖掘领域的重要研究分支之一,吸引了越来越多的研究者的兴趣。这也是集成学习算法的有效性、鲁棒性的结果。可是,研究者一般只针对其中的样本维或者属性维进行一定的研究,没有把两者结合起来一同处理。为了解决这个问题,并有效地应用到带噪音的冗余的数据中,该论文提出了渐进式集成学习算法。该算法将一起对数据集的样本维和属性维一起进行研究,并应用在分类领域中。另外,不同分支的分类能力也有所不同,使用渐进式的分类器选择算法可以有效地选择强壮的分支,从而达到提高整体模型的分类准确率和鲁棒性。作为一个分类算法,渐进式集成学习算法可以很好地应用在带噪音标签数据的分类、数据流的分类、文档图像的分类等场景。