二十世纪末,随着专家对起源问题的深入研究,mtDNA问题逐渐进入了相关学者的视野。mtDNA主要有三个特点:母系遗传方式严谨、重组方式缺乏、基于群体变异程度大。基于这样的特点,mtDNA为研究人员提供了很好的遗传标记,从而为人类亲缘关系和群体内遗传分化的研究提供了标记基础,进一步推动了这方面的研究。在进入二十一世纪后,研究人员展开了对全球不同国家不同民族的mtDNA序列的分析。基于PCR技术和DNA序列测定技术,如何发掘未知线粒体DNA信息并且快速地找到个体的线粒体DNA信息在全球人类线粒体DNA进化树上所属的分类也显得至关重要。本文主要工作是分析了个体线粒体DNA信息在全球人类线粒体DNA进化树上所属的分类,为完成此工作率先使用集成学习算法,亦为本文创新点。针对国内外比较主流的软件haplogrep只支持批量学习,无法更新标准数据集,并且正确率较低的现状,本文提出了基于集成学习的算法。本文的主要工作有:创新地提出了一种基于集成学习的应用算法,使用了 tensorflow框架,并采用python语言实现。测试证明,相对于主流软件的算法,正确率可以提高约18%。(1)首次使用基于增量学习的算法,可以将本地化数据输入到模型中,当有新的数据更新时,可以更新模型权值进而建立本地化模型,通过实验进一步证实了这样可以让本地化数据测试更加的准确。(2)使用集成学习算法,同时利用朴素贝叶斯算法对稀疏数据的分析能力和神经网络对数据模型的强大抽象表达能力,进行分类。(3)本文的算法应用对象是全球人类线粒体DNA系统发育树系谱图,系谱图中的数据有更新的时候,我们可以自动更新本地化模型。通过测试表明,本文的算法相对于传统的程序在性能上有很大的提升,同时还可以为生物信息学中的其他算法的设计与实现提供参考。