近年来,统计分类在机器学习中引起了广泛关注。对于分类问题,机器学习算法的性能极大地取决于不同模型的特征。一种可能的解决方案是我们可以使用集成学习来整合各种学习算法的组合。在集成学习的过程中,能够采用各个分类器来提供有关未知示例的附加信息。众所周知,从准确性和泛化的角度来看,这种解决方案可用于改进整体分类。而对于集成学习而言,难点在于如何组合“好而不同”的学习器以及超参数的设置变得至关重要。本课题想解决集成学习选取学习器和超参数的问题,我们提出了一种新的自适应调参的stacking集成学习算法(Self-adaptive stacking ensemble model简称SSEM)。首先利用Stacking结合神经网络模型构建的机制,根据参数的相关关系、模型的多样性评估方法(Q统计方法)来构建了混合集成模型。其次,构建了模型组合最优和参数组合最优两个模型来完善混合集成模型,利用遗传算法的全局搜索能力来对两个模型寻优,把准确率设置为适应度函数,经过父选择、交叉、变异等代数繁殖,且达到繁殖固定代数后停止,最后得到最优模型组合和超参数的设置。与其他集成学习算法不同的是,SSEM算法能够自适应的针对不同的数据集选取最优的模型组合和参数设置。为了验证SSEM的性能和适用性,本课题将其应用在8个不同领域(情感分类、图像分类、人脸识别分类、文本分类、金融数据分类、社会分类、计算机分类、生活分类),用9个数据集通过与7个先进的分类器(朴素贝叶斯、极端随机树、Logistic、随机森林、CART决策树、Adaboost和Bagging)在四个不同的评价指标(准确性、召回、F1评分和马修斯相关系数)下进行比较,可以得到在8个数据集上与对比的7个分类器而言SSEM表现优异,在Fudan set数据集上,该算法的结果和极端随机树、CART决策树一样,但SSEM模型自适应选择的模型分类器为CART决策树,进一步证明本课题所提出的算法能自适应的选取最优的模型组合和参数设置。不可否认,本课题现在的工作仅仅只是这个主题的开端,在未来中,更高层次的分类器将会出现,模型层中基分类器的权重也会被考虑,例如,使用深度自适应参数集成学习来集合更多层并为每个分类器分配权重。