集成学习的主要思想是融合多个分类学习算法的分类性能来提高整体分类算法的泛化能力。构建一个具有多样性／差异度大的弱分类学习算法集合是集成学习取得高泛化能力的关键。对于弱分类器的构建的直观的想法是构建大量的弱分类器,以获得更强的泛化性能。然而大量的弱分类器对现有的计算和存储能力.：提出了更高的要求,同时弱分类器的差异性也难以获得。针对此问题,周志华等人提出的选择性集成理论指出集成小规模的弱分类器就可以得到预测性能更优的集成分类器,理论分析和实验表明,该方法能够取得比Boosting和Bagging等传统的集成学习算法更好的泛化性能。本文在深入学习选择性集成分类器的基础上,从集成分类器的弱分类器构建、分类器候选子集的选择以及弱分类器的集成等方面进行了相关研究。(1)弱分类器的生成阶段：考虑原始数据集的分布特征,提出了对原始数据集进行数据子集切分和特征子集切分的方式,使用切分后的训练集训练分类器。保证弱分类器预测性能同时构建出更具多样性的弱分类器集合。(2)弱分类器候选子集选择阶段：选用一种合适的差异性度量方式,通过聚类算法,从弱分类器集合中选择预测能力高并且相互之间差异度最大的候选子集,进行下一阶段的分类器集成。(3)弱分类器集成阶段：采取改进的动态选择与循环集成框架,对候选弱分类器子集进行集成,在保证分类器的集成性能的同时避免使用枚举弱分类器时的组合爆炸问题。(4)此外,本文还研究了在需要生成大量弱分类器时带来的问题,设计了并行化的弱分类器训练和弱分类器子集选择算法,同时实现了集成分类器的通用算法框架LibD3C2.0。