集成学习是机器学习的重要研究内容. 集成学习通过集成组合已有的机器学习模型, 能够使得集成模型的性能超过其中任何的单个模型. 从集成回归和集成分类两个方面, 总结分析了集成学习有效性的理论依据;分析了提升集成学习多样性的方法;分析了bagging、boosting、stacking、多核学习、集成深度学习等集成学习方法的研究进展, 并讨论了集成学习未来需要关注的重点问题. 当前人工智能技术在军事领域的应用日趋广泛, 在目标侦察、航路规划、辅助决策等方面已经发挥 重要作用[1-2] . 以目标侦察为例, 无人机、侦察卫星获 取地面图像后, 传统作业方式需要人工读图, 确定地 面目标的位置和类型. 人工读图费时费力, 使用智能 目标侦察手段后, 可以由机器进行判读, 显著提升作 业效率. 在指挥控制领域, 人工智能技术对威胁分 析、态势感知、火力筹划、方案推演、打击效果评 估、物资调度、身份识别等方面也具有应用价值. 机器学习是人工智能技术的重要基础, 也是学 术界和工业界的研究热点. 常用的机器学习模型包 括逻辑回归、朴素贝叶斯、决策树、支持向量机、多 层感知器、深度神经网络等. 单个机器学习模型用于 分类或回归任务时, 由于模型复杂度或训练数据的 限制, 其性能往往达不到要求. 集成学习则通过已有 机器学习模型的集成组合, 能够进一步提升性能. 在 机器学习竞赛平台 Kaggle 上, 集成模型也是研究人 员最常用的竞赛模型. 文献[3]对传统的集成学习方 法进行了总结. 随着多核学习以及深度学习的发展, 集成学习的研究有了很大进步. 本文结合集成学习 的最新研究成果, 对集成学习的理论和方法进行了 全面总结分析, 并对技术发展趋势进行了展望.