在数据挖掘领域中,分类是一种非常重要的技术.然而,现有的多种分类技术如贝叶斯,决策树等都是单分类器技术.目前单分类器性能的提升已经达到了一个瓶颈,人们遂提出了多分类器组合的概念.多分类器组合使用多个基分类器进行分类,并综合所有分类结果形成一个最终结果.实验表明,多分类器组合能显著提高分类器的分类性能.因此对其进行研究,具有重要的理论价值及现实意义.本文首先对多分类器组合的各个主要研究方向做了综述性的阐述.包括多分类器组合的概念,构建多分类器组合的关键问题,例如器组合的多样性评价,基分类器的生成策略,基分类器的选取,以及基分类器的组合方法等相关问题的基本概念和典型算法.在已有研究成果的总结上,本文针对多分类器组合的基分类器选取问题提出了两种尝试性的算法.首先,如何利用多样性指导组合的生成是研究的一个重要问题.本文提出了一种Boosting方法与多样性评价指标相结合的基分类器选取方法.进而,本文指出了传统的Boosting方法存在的不足,提出了一种新的利用当前测试实例来动态地对基分类器进行权重赋值的方法,试图克服传统Boosting方法中静态权重赋值所可能带来的缺陷.最后,介绍了数据挖掘平台Weka系统的概况及其架构,在此平台上实现上述提出的方法,并通过实验比较了上述方法,与传统的多分类器组合算法如Boosting算法,及经典分类器算法如决策树分类器的分类性能.实验结果与分析表明,本文提出的这些算法在大部分数据集上都具有更好的分类性能.