在众多数据挖掘技术中,多分类器融合技术是近几年来的研究热点,它利用多个分类器来解决问题,可以显著提高系统的泛化能力,达到比个体分类器更好的分类精度和鲁棒性,受到许多学者的关注。而使用此技术解决多类分类问题更是一个急需解决的问题。纠错输出编码算法是多分类器融合技术中一个用于解决多类分类问题的典型算法,它将一个多类分类问题分解为若干个二类分类问题,利用多个单分类器的融合模型来处理多类问题,并在许多领域得到应有。　　 本文探讨了传统纠错输出编码算法的特点与存在问题,对其进行改进与扩充,从编码过程、融合策略、半监督学习、动态数据环境等方面拓展其应用领域,设计并实现相应的改进算法。主要工作包括:　　 (1)半监督层次纠错输出编码算法(Semi-HECOC),使用层次编码和半监督学习技术,提高数据的适应性。　　 (2)基于KNN模型的层次纠错输出编码算法(KNNM-HECOC),改进融合方式,提高分类器的性能。　　 (3)一种解决概念漂移问题的方法(IKnnM-DHecoc),快速适应动态数据环境并有效检测概念漂移问题。　　 (4)基于特征的概念漂移检测方法(FSDA),扩展概念漂移的检测途径。　　 不同的公共数据集和现实应用数据对这些算法的测试表明本文在对纠错输出编码算法研究的有效性,推广和扩充了纠错输出编码算法的研究工作,具有一定的应用价值。