集成学习能显著提高分类的精度因而一直是机器学习领域的研究热点。传统的集成学习算法未能考虑基分类器的局部有效性,没有考虑到大数据集的复杂性,对参与集成的分类器未能进行评估选择,结构不够灵活,导致面对大数据集时的分类准确度不高并且效率低下,因此如选择性集成和动态多分类器整合技术等更有效的集成学习算法被提出。本文主要针对动态多分类器整合技术,研究了两种动态集成算法:一种重点针对分类器的构建方法,在不同子集训练生成基分类器,用决策树的方式进行整合的集成学习算法;另一种是一个动态融合方法——基于相关度分析的动态集成算法。本文的主要研究内容分两部分:在第一部分,我们基于梯度优化的思想,提出一种决策树结构的集成学习系统。采用一种动态集成技术是将整个数据集分成若干个子集,在每个子集上训练基分类器,测试时,根据不同被测样本所属子集的不同动态地选择部分而非全部的基分类器进行集成或动态调整基分类器的权重,从而提高分类准确度。有很多划分子集的方法被用于动态集成。本文提出的集成算法使用分类器分类类别为下层分类器划分出更小的子集,利用这些更小的子集训练样本构建具有更好局部分类精度的基分类器,并将多个基分类器组成决策树结构的集成学习系统。通过基分类器的集成在美国某高校招生录取这一个实际应用的数据集上进行实验,实验结果验证了该算法在保持分类器偏置不变的同时有效地减少了集成系统的方差,提高了集成的泛化性能。在第二部分,我们从分类器融合角度,提出基于相关度分析的动态融合方法。这种动态集成算法是根据待测样本与训练样本的相似度度量来判定分类器的有效区域,从而实现较好的分类器动态融合。利用学习的方法获得更为精确的分类相关度,在多分类器系统的上层增加一个选择层用于动态选择参与集成的基分类器,选择层选择行为的实现是由训练样本在参与集成的多个分类器上分类正确与否的标记信息训练得到。同时为提高集成效果,先用互补指数和分类正确覆盖率对基分类器进行了筛选和排序。在多个实验数据集上进行实验,结果表明所提出的算法是有效的。本文从分类器构造和整合这两个不同的方面对如何提高集成分类系统性能进行了研究,并在实际数据集上做了大量的试验,为我们解决实际问题提供了一些可行方案。