数据分类一直是数据挖掘研究领域中的核心问题。在数据分类中,遗传算法是应用较为广泛的一种分类算法。Holland提出的基于遗传算法的分类系统作为第一个基于遗传算法的机器学习系统,从诞生开始就备受关注。目前,遗传算法在分类学习中的应用仍是数据分类中的研究热点。本文通过对分类系统和遗传算法的理论技术进行研究分析,发现以下问题。一方面,遗传算法作为一种基于生物进化论和分子遗传学的全局随机搜索算法,其显著特点是具有隐含并行性和对全局信息的有效利用能力,但对于系统中的反馈信息利用却无能为力,当求解到一定范围时往往做大量无为的冗余迭代,具有求精确解效率低,局部搜索能力弱、易出现“早熟”现象等缺点;另一方面,基于遗传算法的分类系统的分类准确率不高。针对上述问题,本文研究了分类系统中遗传分类算法的改进策略。首先,将遗传算法的解空间进行均匀划分并采用蚁群信息素对每个子空间进行标定,利用留存的信息素控制选择操作。其次,设计了双重选择算子、基于“杂交优势”思想的交叉算子和自适应变异算子。然后,将改进的遗传算法应用于分类系统中。最后,通过实验对分类系统的分类准确率、算法运行时间、算法收敛性等方面的性能进行测试,并对结果数据做相应分析。实验表明,基于改进遗传算法的分类系统在以上三方面均有明显提高。