机器学习的核心目标之一是让机器具有像智能生物一样的自主学习的能力。时至今日,机器学习已经成为人工智能领域的核心研究内容,其应用遍及人工智能的各研究方向,包括专家系统、自动推理、自然语言处理、模式识别、计算机视觉等。在机器学习的各分支中,集成学习一直是一个主流的研究方向,在过去二十年中有了显著的发展。集成学习通过学习若干个有差异的基分类器,并将它们的分类预测结果进行融合作为最终的结果。与单个分类器相比,集成学习在大多数情况下可以显著提高分类系统的泛化能力,并且具有更强的健壮性和稳定性。分类器融合是集成学习中的一个核心问题,研究者已提出多种不同的分类器融合方法。本文对集成学习进行了较为深入的研究,介绍了集成学习的概念、构成、作用以及最新研究成果。在此基础上,本文提出了分类器平均分布的概念,即通过调整基分类器的权重,使它们在不同样本上的表现尽可能的平均。这种策略为那些只被少数分类器正确预测的样本提供了机会。此外,本文提出了分类器等价系数的概念,即如何衡量两个准确率不同的分类器在集成学习中的权重。通过严格的十折叠交叉检验,在12个UCI数据集上的实验表明,平均分布集成算法优于简单多数投票策略、LP-Adaboost算法和LP1算法。因此,我们认为平均分布集成策略是一种有效的分类器融合方法。