模式分类是人工智能的基本问题,在国防、安保、制造、交通、金融、环境、医疗等众多领域都有着广泛应用价值。尤其近年来,随着社会生产与民生服务的智能化大发展,受到越来越多关注。模式分类是指通过构造分类模型将数据映射到某个给定类别。解决模式分类问题一般从特征和分类两个角度着手。特征是训练分类器的基础,与分类算法共同影响分类结果的好坏。Adaboost是一种具有特征选择能力的分类算法,具有分类准确、计算快速的优点,为此,论文针对Adaboost算法,重点研究模式分类的特征选择与分类算法设计问题。特征提取问题。研究了Haar特征和Gabor特征的提取原理和算法实现,从计算复杂性等方面,对比分析了这两类特征的优缺点,从实际应用需求出发,将Haar特征用于二类识别问题,将Gabor特征用于多类识别问题。二类识别问题。研究了Adaboost算法原理,分析了Adaboost算法的特征选择机理。介绍了目标检测问题中正负样本不均衡问题,研究了如何利用硬级联分类器检测目标。为了克服硬级联结构的局限性,论文重点研究了柔性级联结构,提出了新的分类器训练算法,涉及特征选择与阈值整定。特征选择通过候选集扫描优化采样过程,阈值整定通过直接反向修剪算法优化速度。采用头肩图像集和车牌图像集进行目标检测实验,对比分析硬级联分类器与柔性级联分类器的性能,结果表明柔性级联分类器在检测精度与计算速度上具有优势。多类识别问题。针对一对多的分类方式,研究了将Adaboost二类分类器组合为多类分类器的GAB.OVA算法。分析了GAB.OVA算法中的预测模型,针对其特征数随着类别数线性增长的局限性,引入了复合树桩弱分类器,提出了其用于多分类问题的BCS算法。该算法实现了类间特征共享,消除了特征数与类别数的线性增长关系,降低了模型复杂度。采用MNIST手写字符数据集与车牌字符数据集进行目标分类实验,结果表明BCS算法在分类精度和计算速度上具有优势。