从二十世纪九十年代起,集成学习逐渐成为机器学习领域的一个研究热点,它是通过组合多个不同弱学习模型,从而形成一个泛化能力更好的强学习模型。集成学习的思想先后被用于分类问题和特征选择问题中,都取得了不错的效果。本文主要是对集成学习在这两个方面应用进行分析和研究,特别关注一种经典的基于最小最大规则的集成策略。本文首先介绍了一种基于最小最大规则的分类集成策略,并针对生物医学领域的分类问题,比较了该集成策略与其它三种常用集成策略在包括医疗图像识别、癌症诊断以及蛋白质细胞定位在内的多个生物医学数据集上的分类效果。实验结果表明:第一,相对于单个分类器,集成学习确实可以有效提高分类性能;第二,Bagging集成策略和AdaBoost集成策略对模型性能的提升较为稳定;第三,随机子空间集成策略在特征维度较高时更具有优势,而当特征选择数较少时,最小最大规则集成策略在多数情况下优于其它三种策略;第四,当选择特征的数量达到一定程度时,模型的性能会保持不变甚至出现下降现象。在特征选择问题中,本文提出了一种基于最小最大规则集成策略的特征选择方法。它通过采用数据划分的方式来提高对大规模数据的处理能力。并将该策略与均值法、投票法、中心点聚类这三种常用的集成策略相比较。通过在现实数据集上的仿真实验,结果表明本文所提出的集成策略在选择特征数较少时具有一定优势。另外,在最小最大规则集成模型的基础上,本文加入了对特征冗余性的分析,采用最大代价生成树的方法来找出具有较强相关性的特征组,并在此基础上剔除部分冗余特征。在人工合成的数据集和现实数据集上的实验结果表明:加入冗余性分析可以在较低的特征空间上获得更好的分类性能。