本文对神经网络集成算法的样本取样过程进行了深入研究，并通过对权值的更新过程进行了优化，提出了三种神经网络集成算法的变种算法。具体工作如下：1、针对神经网络集成算法AdaBoost权值调整策略存在的不足，提出基于争议度的权值调整策略：ERstd。ERstd策略能够在样本权值修正阶段对各训练样本进行有区别的权值修改，从而使得各个体分类器在不损失差异度的前提下获得理想的精度。机器学习数据库UCI中数据仿真实验结果表明，该策略能够提高集成网络的泛化性能，并具有良好的稳定性。2、通过对IB(InverseBoosting)神经网络集成算法进行了研究，提出了IB算法的改进算法IB+算法。改进算法继承了IB算法的逆向样本分布调整策略，并在训练的过程中将部分已训练好的个体子网进行中间层网络集成，利用该中间层集成网络生成新的训练样本分布。实验结果表明，对于逆向权值分布的Boosting类算法，个体子网之间的关联度对网络集成后的泛化性能影响很小，减小个体网络的泛化误差将使集成后的泛化性能提高。3、通过对IB算法的进一步研究，发现在另外的一些情况下，逆向算法的泛化性能要好于正向算法。通过对IB算法的试验分析，发现逆向算法集成网络的泛化性能主要是由个体分类器的泛化性能所决定的。根据这一特点，证明了通过提高差异度以期降低逆向算法的泛化误差是不可行的。最后，提出了一种高效的逆向Boosting改进算法：EIB。EIB算法能很好的提高IB算法的泛化性能以及其适用性，其泛化性能在某些情况下优于正向算法。