海量增长的数据在为机器学习和人工智能方向的发展提供坚实基础的同时，也带来了诸多挑战，如来源多样化、增长速度快、价值密度低、计算量大、分析复杂度大等。面对这些挑战，由传统机器学习方法所构建的单个学习器或许难以满足问题求解的精度需求，因此集成学习以其优越的性能而吸引了诸多研究者的注意。集成学习的成功依赖于两大要素，即其基学习器的准确度和多样性。然而学界在对多样性的研究上尚未达成共识。尽管多样性对于构建一个性能优越的集成器而言非常重要，但是如何度量多样性以及多样性究竟是如何在集成学习中起到作用等仍然是个开放性的问题。此外，随着基学习器准确度的提高，它们之间的多样性往往会有所下降，因此如何平衡这两者在构造一个性能良好的集成器的过程中也是一项重要的研究课题。
　　为此，本文主要研究分类集成问题中的多样性及其应用，以期回答分类集成器中的多样性与泛化性能之间的关系这一问题，并利用多样性和准确度的合理平衡来完成集成剪枝任务，具体如下:
　　(1)首先，受启发于回归集成器的误差分解，本文提出了分类集成器的误差分解并随之自然地定义了一种多样性度量方法;随后利用该多样性度量方法提出了分类集成器中的多样性与泛化性能之间的关系;最后利用该关系提出了基于多样性的集成剪枝方法，能够在不损害集成器性能的同时有效地缩减其规模。
　　(2)其次，为了对准确度和多样性进行合理平衡，本文从信息熵角度提出了一种基于信息熵的目标最大化的剪枝算法，包括集中式和分布式两个版本;随后从中抽取出一个可普适于现有剪枝算法的通用并行框架，能够在不损害剪枝后子集成器（即由组成原始集成器的基分类器集合的一个子集所组成的集成器）性能的同时大幅加速算法执行的过程。
　　(3)最后，本文将多样性应用到了神经架构搜索领域中的集成网络结构中，利用多样性对其进行剪枝，以期获得一个规模更小而性能持平甚至更优的子集成网络结构;三种剪枝策略均可被用作在该过程中的指导，能够生成多样的且规模更小的子集成网络结构。
　　实验结果验证了本文所提出方法的合理性和有效性。