如何构造具有较大差异性的单神经网络是提高集成神经网络分类性能的一个重要问题。这里通过研究在特征空间和样本空间上均有差异的基础上提取训练样本的方法,提出了一种新的基于粗糙集的属性约简和聚类分析的集成神经网络的序列目标分类算法,由于训练单分类器时样本的差异性较大,所以能够有效的保证集成分类器的分类性能。该方法首先在训练视频中连续提取单帧图像中的目标—人,人群,汽车,提取轮廓特征、几何特征作为目标的描述属性;其次对所提取的三类目标样本数据进行属性约简,得到三类样本的特征分布子空间;再次采用基于对手惩罚策略的竞争学习算法(RPCL)进行聚类分析,得到在相应样本空间中的样本分布;最后采用提出的单个神经网络生成算法得到单个神经网络并采用相对多数方法对神经网络进行集成。这里采用基于boosting、Bagging方法的集成神经网络和算法进行比较,结果表明本方法的分类精度要高于传统方法,是一种有效的目标分类算法。