多分类器系统能够在一定程度上弥补单个分类器的缺陷，因此它在模式识别中得到了广泛的应用。研究者提出了大量的分类器组合方法，有必要对它们进行一定的整理和归纳。此外，目前对多分类器系统的研究已经不再局限于组合方法的提出和改进，而是更多地着眼于分量分类器的关系研究，尤其是分类器差异性的研究。研究者希望通过这方面的研究寻找一种与组合方法无关的差异性度量方法，利用它对分类器组合性能的预测能力来指导多分类器系统的构造。 本文紧紧围绕多分类器系统这个课题，分别从分类器组合方法和分类器差异性度量方法两个方面进行了研究。本文的工作主要集中在以下几大块： 第一，对现有的分类器组合方法进行了详细的综述，归纳了各种方法的优缺点，并且通过实验对一些典型方法进行了比较和分析。 第二，提出了一种新颖的分类器差异性度量方法——EPD。对UCI机器学习数据库的实验证明，相对于其它方法，EPD方法对多分类器系统性能的预测能力更强。 第三，提出了一种基于EPD的分类器集合精简算法，并利用它设计了一个改进的人脸识别系统。在AT&T人脸数据库上的实验结果证明，使用该算法可以在减少多分类器系统中分类器数量的同时，保持甚至提高识别率。 本文得到国家自然科学基金(No.60273059)、国家863计划(No.2001AA4180)与浙江省自然科学基金青年科技人才培养专项基金(No.RC01058)的资助。