现今,数据的日趋复杂化促进了人们对高质量分类系统的需求。鉴于集成学习在提升分类性能上的优势,以其为核心的、具有自主创新方法设计的分类系统有着重要的研究和应用价值。而在当前集成学习方法中,对不同模型作集成时往往忽略了选择严谨性和系统精简性的问题;对适宜作同质集成的C4.5模型,则缺少对其属性阈值序列、属性对目标影响度及增益率偏差等因素的综合考虑,从而影响到分类精度。针对上述问题,本文进行了方法研究,并设计了一个集成学习型分类系统。具体研究工作如下:(1)提出了一种基于排序选择度量方式、自适应权重设置的集成方法。针对不同的分类模型,该方法结合交叉验证,并以设计的误差熵与互补性为基础构造组合指数度量法,可以选择出集成优先性最高的两个模型;依据以组合指数为基础设计的整体组合指数度量法,能够实现对剩余模型集成优先性的度量;基于得到的排序索引,通过自适应权重设置的方式,可为不同模型找到最终权重值以进行集成处理。实验结果表明,与其它分类模型相比,该方法的各项分类评价指标均有提高,验证了该方法的有效性。(2)提出了一种基于改进型C4.5算法的组合集成方法。该方法在C4.5算法处理连续属性时,在相邻不同类别对应的属性区间的交接边界处附近进行采样和阈值补充处理,可以缩小候选分割阈值的序列范围;利用标准化欧式距离来度量属性与目标的关系,并将同一属性下不同分量对不同子集的影响度加入子集熵值,可将利于属性选择的信息和属性的局部影响信息作用于信息增益,从而综合考虑属性对目标分类的影响;在处理分裂信息时,计算其它属性对测试属性的平均化基尼指数的同时加入校正因子,可以缓解属性间冗余度和增益率偏差带来的影响。实验结果表明,该方法提升了分类准确率,验证了该方法的有效性。(3)设计开发了一个包含常用分类算法在内、以上述设计的集成方法为主导的数据分类系统。该系统主要由预处理、分类和评估三个功能模块组成。其中,分类模块作为核心部分,实现了异质集成、同质集成和综合分类三大功能。测试结果表明,该系统有助于处理数据分类任务,具有实际的应用价值。