在大数据时代,数据挖掘与分析是其中的关键技术。AdaBoost分类器能有效地将一系列弱分类器进行组合并集成学习得到强分类器,具有较高的分类精度和泛化能力,广泛应用于各种数据学习中。然而AdaBoost算法面对复杂数据时存在训练时间长,抗噪能力弱等问题。针对上述问题,本文从训练时间、抗噪能力等方面进行了改进研究。经仿真验证,改进后的算法具有更好的鲁棒性,将改进算法应用于茶叶形态检测中,取得了较好的结果。（1）针对AdaBoost算法存在搜索弱分类器过程复杂和训练时间长的问题,结合遗传算法思想,提出了基于遗传寻优的动态双阈值型AdaBoost算法。由具备一定阈值间距的双阈值弱分类器代替经典的单阈值弱分类器,有效提升单一弱分类器的分类能力,减少无用弱分类器的产生,增强算法的抗干扰性能。利用遗传算法的全局寻优性,快速寻找具有最小间距的最佳双阈值弱分类器,简化计算复杂度,从而降低训练时间。采用人脸数据库对改进算法的可行性进行验证,实验结果表明,改进后的算法能有效减少训练时间。（2）针对AdaBoost算法对噪声数据和异常数据敏感问题进行研究,结合模糊推理思想,提出了基于模糊型弱分类器的AdaBoost算法。首先,制定模糊规则,将每个特征分布看作是多个模糊规则的叠加。其次,特征值经模糊化后得到的隶属度函数与模糊规则进行适配,设定适配度阈值来判断特征值的类别。最后,按强分类器组合方式将弱分类器进行集成。采用UCI二分类数据集和人脸数据库对改进算法的可行性进行验证,实验结果表明,改进后的算法能够使样本特征值在一定范围内变动而使其标签不变,有效提高了算法的抗噪性能。（3）设计茶叶图像采集设备,建立茶叶图像数据库。对采集到的茶叶图像进行预处理等操作后提取图像的LBP特征、CSP特征和LBP-CSP融合特征。将改进后的算法应用于茶叶病态区域检测,定位病态茶叶的具体区域。采用交叉验证法和大图检测技术进行验证,实验结果表明,改进后的算法能有效定位到病态茶叶区域,为及时发现茶叶生长过程中遇到的病态问题提供较好的解决方法。综上,本文在AdaBoost算法的基础上,提出了基于遗传寻优的动态双阈值型AdaBoost算法和基于模糊型弱分类器的AdaBoost算法。通过实验验证,改进后的算法在训练时间及抗噪性能方面有所提升,并将改进后的算法应用在茶叶形态检测中,通过实际应用验证算法的可行性。