随着社会发展进入数字化时代,数据挖掘成为研究大数据的重要手段,集成学习在数据挖掘中扮演着重要角色。在复杂情况下,构造出单一分类器非常困难,并且可能存在输出不稳定的情况,而集成学习能有效的克服这一缺点。AdaBoost（Adaptive boosting）作为集成学习中的代表性算法,它只要求基分类器比随机猜测略好,这种性质能很好的解决复杂情况下分类器的构造问题。因此,AdaBoost算法在业界受到了极大关注。针对AdaBoost算法对噪声敏感、基分类器组合效率低以及过度关注难分样本等问题,本文从多样性、组合系数、间隔理论和聚类方面进行了深入研究,具体工作如下:1)为提高AdaBoost算法的集成效率,根据样本权重的分布状态与基分类器的分类错误率,给出新的基分类器系数求解方法,此方法克服了传统AdaBoost算法基分类器系数仅与错误率相关的缺点,且没有改变传统AdaBoost算法的结构,改进后的算法仍满足传统AdaBoost算法的误差收敛上界,更好的体现了基分类器的分类效果;其次,为提高基分类器间的多样性,在基分类器选择的过程中引入双误度量,以防止迭代过程中分类器的同质化,基于上述两点提出WD AdaBoost（AdaBoost based on weight and double-fault measure）算法。实验结果表明,新算法可以进一步提高分类性能。2)为解决AdaBoost算法在迭代后期样本权重的负向移动问题,提出了基于间隔理论的WPIAda（Sample weight and parameterization of improved AdaBoost）与WPIAda.M（Sample weight and parameterization of improved AdaBoost-multitude）两种改进算法。WPIAda与WPIAda.M都将样本权值的更新分为四种情形,增加间隔从正到负变化的样本权值,来抑制间隔的负向移动,以减少间隔处于零点的样本数量。其中,WPIAda.M算法的样本权重调整幅度更小,为保证间隔移动的准确性,基分类器系数计算公式与1)中提出的相同。实验结果表明,与其它几种算法相比,WPIAda和WPIAda.M的测试误差分别有不同程度的降低,AUC（Area under curve）分别有不同程度的提高。3)为提高训练样本的多样性和一致性,首先,使用聚类算法将训练集分成多个类簇。其次,分别在每个类簇上训练出一个强分类器,其中,在每个类簇上进行学习的算法,它的基分类器系数与1)中相同,这种做法保证了局部性上获得的强分类器具有较高准确率。此时分类器的权重由两部分组成:一、测试样本与各个簇心的距离;二、强分类器对测试样本的分类置信度。最后,把各个类簇上训练出的强分类器通过加权投票策略进行联合,由此提出AECC（Adaptive ensemble algorithm based on clustering and new base classifier coefficients）算法。在UCI数据集上的实验结果表明,AECC算法具有更高的分类正确率。