近年来,人工智能和机器学习的发展与普及广泛地影响着生产生活中的各个领域。如计算机视觉、机器翻译、大数据分析等。然而这些智能模型尽管性能强大,却由于存储和计算代价高昂,依然难以部署在移动智能手机等小规模的硬件平台上。过于庞大和冗余的智能模型不仅占用大量的存储空间,也降低了运算效率,甚至影响着预测精度。基于经典的随机森林分类算法,本文提出以信息论为指导的轻量级的决策树集成预剪枝算法,称之为共生森林（Symbiotic Forest,SymForest）。具体工作如下:首先,本文从互信息熵的角度出发,分析了决策树的节点变化对算法学习的全局影响,从理论上证明了树模型的结构冗余随着节点分裂单调增加的结构缺陷,进而引入了树节点的合并策略,并提出了自适应的决策树生长准则。其次,本文设计并实现了基于自适应生长准则的集成算法—共生森林,介绍了算法的详细流程、优化策略等实现细节。针对算法中节点分裂准则单一、超参数较多等缺陷,我们又对其及进行简化和改进,得到改进的共生森林算法（SymForest 2）,使其更适合部署在内存受限的小规模计算设备上。最后,本文收集了大量不同领域、不同特点的分类数据,设计了丰富的验证试验,对比了共生森林算法和随机森林（Random Forest）、梯度提升树（Gradient Boosting Trees）及其它树集成算法的性能优劣,得到对共生森林算法全面的分析和评估。实验结果表明,共生森林算法显著地减少了模型的结构冗余,提升了模型的学习能力。