近些年,以深度神经网络为代表的深度学习方法在图像、文本、语音、视频等任务中取得了巨大的成功,其中“深度”的思想被认为是深度学习的关键。然而,在实际应用中,深度神经网络面临着计算开销大、训练集规模要求高、不能很好地支持表格型数据集等问题。为解决上述问题,学界开始尝试融合“深度”的思想和集成学习方法的优点,并研究提出以深度森林为代表的深度集成学习模型。与DNN架构设计类似,针对不同的输入数据集以及任务场景设计一个性能优异的深度集成架构需要大量的专家知识和经验,并需要反复尝试不同基学习器类型与基学习器集成方式等各种超参数的组合,费时费力。近年来,神经架构搜索（Neural Architecture Search,简称NAS）技术引起了工业界和学界的广泛关注。受到NAS的启发,本文将研究实现高效的深度集成架构搜索方法,针对特定的数据集和任务场景自动化地搜索性能优异的深度集成架构,从而大大降低深度集成学习模型的设计门槛,提升深度集成学习建模效率。然而,深度集成架构搜索需要解决搜索空间设计、架构搜索方法设计、架构搜索优化加速等一系列难题。为此,本文首先研究设计了有效的深度集成架构搜索空间,并研究提出了基于进化算法的深度集成架构搜索方法和基于代理模型的渐进式深度集成架构搜索方法。在上述研究基础上,进一步设计实现了自动化深度集成学习系统,并通过分布式计算框架Ray对架构搜索过程进行加速。本文的主要研究点和贡献点包括:（1）通过分析已有的深度集成学习模型特点,结合NAS工作中搜索空间的研究和设计,研究设计了两种深度集成架构搜索空间,分别称为完全并行搜索空间（?CP）和有向无环图搜索空间（?DAG）,提出的这两种搜索空间改变了原有深度集成学习方法以深度森林为主的情形,使得各种自动化搜索方法能够运用在深度集成学习上。（2）研究提出基于进化算法的深度集成架构搜索方法EPEAAS。在给出搜索空间定义的基础上,提出了采用基于最优个体保留进化算法进行深度集成架构搜索的方法,并通过对上述基于进化算法的架构搜索方法进行抽象,提出基于进化算法的通用深度集成架构搜索算法框架。实验结果表明,EPEAAS在分类和回归任务上相比集成学习方法、神经网络、深度森林方法有着较明显的性能提升。（3）研究提出基于代理模型的渐进式深度集成架构搜索方法PMPAS。通过分析EPEAAS存在的计算开销大、搜索效率低等问题,提出从简单到复杂逐步构建深度集成学习架构的基本思路,并采用代理模型对架构性能进行预测,从而降低架构评估开销,提升架构搜索效率。实验结果表明,PMPAS在分类和回归任务上相比集成学习方法、神经网络、深度森林方法和自动化机器学习方法autosklearn均获得较大的性能提升。EPEAAS和PMPAS的对比实验结果表明本文研究提出的两种搜索方法均能有效搜索优异的深度集成架构,并具有各自的适用场景。（4）在对EPEAAS和PMPAS的研究基础上,进一步设计实现了支持自动化构建深度集成学习架构系统Auto-DEL,并通过分布式计算框架Ray对AutoDEL进行加速,以提升系统的可扩展性,并通过提供简洁易用的API,提升了系统的易用性。