集成学习是机器学习的一个研究热点,旨在通过组合一系列的基学习机对同一问题进行学习,从而获得更好的学习效果。但是,现有的集成学习算法在泛化能力和适用性方面还不能满足实际应用的需要。为了进一步提高集成学习模型的泛化能力和学习能力,本文引入参数化三角范数,提出了基于参数化三角范数的集成学习算法,并在集成分类和集成预测中加以验证,同时开发了基于参数化三角范数的集成学习系统。本文的主要研究工作与成果有:首先,针对六种常用的参数化三角范数,依据三角范数的良好数学性质,研究了其多元运行模型和加权运算模型。其次,基于参数化三角范数的多元运算模型和加权运算模型,分别构建了基于参数化三角范数的多元集成分类模型和加权集成分类模型,并在UCI数据集上进行实验验证。实验结果表明:基于参数化三角范数的集成分类能够取得较单分类器和其他组合规则更好的泛化能力和分类效果;加权集成分类能够取得较不加权时更好的效果。为了减少系统的存储空间、加快模型的学习速度,本文又采用基于AP聚类的基分类器选择技术,选择部分合适的基分类器参与集成,实验结果表明:选择性集成分类进一步提高了分类的正确率。再次,构建了基于参数化三角范数的加权集成预测模型,在时间序列数据集上进行实验验证,并采用五种误差指标进行模型评价。实验结果表明:基于参数化三角范数的集成预测效果明显优于单项预测模型和现有的组合预测模型。此外,采用选择技术之后,选择性集成预测进一步提高了预测准确率。最后,开发了基于参数化三角范数的集成学习系统,集单项学习、常规组合学习、基于参数化三角范数的集成学习和选择性集成学习于一体,通过可视化方法清晰地展示分类或预测的具体细节和学习效果,并进行效果对比。