Stacking算法是提高分类器性能的常用方法。Stacking首先训练多个初级分类器;然后将初级分类器的结果作为输入,训练得到一个强分类器。本文将探究Stacking算法在输出变量为定序变量时以及在输入数据为文本时的应用。（1）Stacking算法在定序数据中的应用研究。定序数据是存在顺序关系的离散型数据。常规的Stacking算法在处理定序数据分类任务时没有兼顾定序变量之间的顺序关系,导致分类准确率降低。因此,本文利用定序数据的类别顺序关系提出定序Stacking算法。首先,对存在8)个类别的定序数据按照类别的顺序划分为8)-1个二分类数据集,并训练8)-1个分类函数1)4)（）。然后利用随机森林算法构造样本的类别向量到样本真实类别的映射函数。将本文提出的定序Stacking算法用于常用的分类算法上,发现定序Stacking算法能够显著提升分类器的性能。（2）Stacking算法在文本分类中的应用研究。文本分类是按照规则对文本进行类别预测的过程。Stacking算法需要多个初级分类器。但随着预训练模型和深度学习的发展,文本分类任务中的初级分类器模型参数巨大,使用Stacking算法需要的大量的算力资源。因此,本文结合Stacking算法中再训练的思想提出了IFGSR算法。IFGSR算法将文本切分成多个子文本,并使用已有的分类规则计算子文本属于每个类别的概率以及概率的标准差、均值和最大值,最后使用Softmax模型训练这三个统计量到真实类别的映射函数,并使用该映射函数对要预测的文本进行分类判别,最后通过配对样本T检验证明了IFGSR算法的有效性。本文结合Stacking算法的思想,提出定序Stacking算法和IFGSR算法,将Stacking算法的思想作用在定序数据和文本分类任务中,并且通过实验来论证定序Stacking算法和IFGSR算法的有效性。