符号回归作为一种数据驱动建模的重要方法,能够在很好的拟合训练数据的同时,给出显性的数学表达式便于分析。在数据驱动建模中,一味追求高拟合精度往往会造成模型的过拟合,通常表现为模型复杂度增大,对未知样本的预测能力降低,即模型的泛化性能差。因此,平衡模型精度与泛化能力的研究就很有意义。奥卡姆剃刀法则说明,越简单的模型越有可能接近数据隐含的规律。基于此,本文针对现有符号回归方法只关注模型的拟合能力而忽略模型的泛化能力的问题,提出了一种改进的基因表达式编程算法以提升模型的泛化能力。本文对于已有的几种模型复杂度度量方法进行了分析,选取了机器学习中一种刻画假设空间复杂度的方法:Rademacher复杂度,并将其引入符号回归中作为本文算法的复杂度度量。本文算法将训练误差和模型复杂度作为两个目标进行优化,对得到的帕累托前沿（Pareto解集）以集成学习的方法进行模型融合,得到最终的输出模型。为了保证求解符号回归问题的智能算法中种群的多样性,本文设计了一种基于信息熵的自适应变异算子以替代传统变异算子。该算子作用于种群中个体码串的每一位,根据码串上每一位不同符号出现的概率计算其信息熵,进而确定每一位的变异率,分别对所有个体关于每一位的符号进行变异操作,从而维持种群的多样性,增强算法的局部寻优能力。最后,本文选取了一些文献中比较经典的训练函数,对本文算法和使用的几种方法分别进行了实验对比,验证了本文方法的有效性。