选择性集成的基本思想是将分类器集合中性能相对不好以及由于分类性能相似造成冗余的分类器剔除,保留部分分类器参与最终的集成。学者们将选择性集成方法大致分为选择、排序、优化以及聚类等四类方法。本文在深入研究选择性集成算法的基础上,分别从选择、优化和聚类三个不同的角度对选择性集成算法进行改进,解决以下三个方面的问题:（1）动态选择性集成算法通常使用局部近邻样本来评估分类器的性能,使得由该方法构建出来的分类器模型预测准确率不高;（2）理论上来说参与集成的分类器个数越多,分类性能就越好,但是随着分类器的增多,导致分类器间可能由于分类性能相似产生若干冗余个体。因此需要研究在分类性能不降低的条件下,减小集成的规模;（3）基于K均值的选择性集成算法需要预先确定聚类数和随机选取初始聚类中心,使得该方法具有一定局限性。基于以上问题,本文主要工作如下:（1）提出一种基于特征加权的分类器动态选择与循环集成算法。新方法利用支持向量机度量出特征的重要性权值,根据不同的测试样本通过特征加权的K近邻算法寻找其较优的近邻样本,计算多个分类器对近邻样本的预测准确率,根据设定的误判容忍度阈值,择优筛选分类准确率较高的分类器,然后使用Kappa多样性度量再选择多样性较大的分类器,实现系统的循环集成。实验结果表明,相比于普通的动态选择性集成算法,新算法分类准确率更高。（2）提出一种结合多样性度量的启发式集成选择方法。首先,该方法将分类器间的多样性矩阵转换为邻接矩阵,以无向图的形式表示。其次,采取图着色算法实现分类器分组,再从每个分组中选择准确率最高的分类器形成候选分类器集合。最后,使用一种改进的模拟退火算法从候选分类器集合中选择出较优的分类器子集实现集成预测。实验结果表明,相比于传统的集成学习算法,新算法分类准确率更高。（3）提出一种基于自适应聚类的选择性集成算法。该算法使用混淆矩阵作为度量分类器间多样性的工具;然后使用最大最小距离的方法确定聚类中心,解决基于K均值的选择性集成算法随机选取聚类中心的问题;根据误差平方和变化率自动确定所划分的簇数,解决基于K均值的选择性集成算法需要预先确定簇数的问题。实验结果表明,与基于K均值的选择性集成算法相比较,本文算法表现出更优的分类性能。