粒子群优化算法(Particle Swarm Optimization)起源于对鸟群、鱼群以及对某些社会行为的模拟，是一种基于群体智能的进化计算技术。而小生境技术则起源于遗传算法，这种方法能使基于群体的随机优化算法形成物种，从而使相应的优化算法具有发现多个最优解的能力。而多分类器集成技术则是通过多个分类器进行某种组合来决定最终的分类，以取得比单个分类器更好的性能。多分类器集成技术要求基元分类器不仅个体性能要好并且其差异度要大，这与小生境技术形成物种的能力具有很多内在的相似性。目前已经有研究者将小生境技术应用于多分类器集成，但由于传统的小生境技术仍然不完善，存在一些内在的缺陷，因而这些应用还不成熟和完善。本文首先回顾了PSO算法及小生境技术的发展历史、研究现状和存在的问题，然后提出了一些对传统小生境技术改进的思想。全文的主要研究工作可以概括如下：1．首次提出了在小生境技术中需要一种显式的探索信息交换机制，并根据这种机制首先实现了一种自适应串行小生境粒子群优化算法，该算法能避免传统串行小生境算法的一些内在缺陷，特别是对小生境参数的依赖性。2．对小生境粒子群优化算法探索信息交换机制做了进一步的拓展，并分析了探索信息交换在复杂多模优化问题中的必要性。提出了探索信息交换不仅应该用串行方式，而且还应该以并行方式进行，即在小生境技术中，探索信息应该是动态互相交换的。基于这些思想，本文实现了一种多子群并行小生境粒子群优化算法，该算法不仅集成了自适应串行小生境算法的探索信息交换的优点，同时具有并行小生境算法的运行速度，整个算法的运行效率得到了显著的提高。3．创造性地提出了一种集成多层选择模型(Ensemble multilayer pruning model)。普通的集成分类器选择方法，通常只能获得一个最优集成，在这种情况下，一些具有有用信息的基分类器将可能丢失。而在多层模型中，每一层中将有多种不同的选择集成，因而能够充分利用每一个基元分类器的有用信息。4．将提出的多子群小生境粒子群优化算法和分类器多层选择模型有机的结合起来，从而在实践中最终实现了分类器多层模型的选择。