乳腺癌作为现代女性发病比例最高的癌症,已经越来越受到社会的关注。然而由于乳腺病灶数据呈现高维度、多样化的特点,造成传统分类器性能下降,即出现了模式分类的维度灾难问题。集成学习算法是模式识别和机器学习领域近来比较活跃的研究方向,它采用系统化的方法将多个分类器通过某种策略集成后对未知样本进行判别。为了有效的利用丰富的乳腺数据信息并且克服维度灾难问题,本文提出了基于动态特征子集选择和基于EM算法的朴素贝叶斯(Naive Bayesian)分类器相结合的集成算法(DSFS+EMNB)。该算法先后使用RSM(Random Subspace Method)、Bagging方法、投票集成方法、特征子集选择方法(Filter方法和Wrapper方法)等,构造了一个动态特征子集集成分类器。基分类器采用基于EM算法的朴素贝叶斯分类器。通过对大量乳腺数据的实验结果表明：与SVM算法以及其它传统方法(EM-Naive Bayes(EMNB), KNN, Boost C5, Neural Net等)相比,本文提出的算法的具有更好的性能和泛化性能。本文的实验结果证明了通过传统分类算法设计出的集成分类器在效率和性能上都可以达到甚至优于SVM算法。实验还验证了对乳腺数据采用ICA (Independent Component Analysis)的去相关性处理,可以进一步提高DSFS+EMNB算法的分类性能。