数据挖掘分类算法是数据挖掘研究的一个重要课题,已在商业等领域广泛应用。学生信用分类是典型的分类挖掘问题,属于信用分类的范畴,同时也是一个新的应用研究课题。如何采用多分类器融合的方法综合不同分类器的信息,避免单一分类器可能存在的片面性,从而提高分类的性能,已成为数据挖掘分类算法研究的热点问题。本论文依托教育部“春晖计划”科研项目“高校学生个人信用评价管理系统研究”和重庆市自然科学基金计划项目“面向混合数据类型的通用数据挖掘模式研究”,采用多分类器融合的方法研究数据挖掘分类算法,并将该方法用于学生信用分类。本文的主要研究工作和成果概括如下:首先,分析了数据挖掘、数据挖掘的分类器、多分类器融合的基本理论和方法,为研究基于多分类器融合的分类算法,及其在学生信用分类数据挖掘的应用打下基础。其次,设计了基于AdaBoost的BP神经网络融合分类算法,着重讨论了算法的主要组成部分和基本分类器的构造,以及调整样本权重、训练神经网络基本分类器、确定基本分类器权重这三个算法流程中的关键问题。最后,将多分类器融合方法与项目实际需求相结合用于学生信用分类。选择学生信用分类的数据项并进行分类挖掘数据预处理,建立了基于多分类器融合的学生信用分类模型,通过仿真验证了该算法能有效提高基本分类器的精度和泛化能力,用于学生信用分类是有效和可行的。在高校学生个人信用评价管理系统的基础上,设计和实现了学生信用分类模块。本文的研究成果为学生信用分类和助学贷款的发放提供了决策依据,同时也对信用分类的其他方面具有参考价值。