模式分类就是指对表征事物或现象的各种形式的信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是人类以及动物的最基本的智能表现。随着人类收集和存储数据能力的不断增长以及计算机运算能力的飞速发展,利用计算机来分析数据进行模式分类的要求越来越广泛,越来越迫切。近些年随着研究人员的深入研究,出现了许多优秀的分类算法。如人工神经网络(Artificial Neural Network,ANN),支持向量机(Support Vector Machines,SVMs)和决策树(Decision Tree,DT)等。这些算法的出现极大的促进了模式分类技术在生活中各领域中的应用。然而模式分类研究远没满意的程度。传统分类算法往往需要训练样本充足而且与测试样本满足独立同分有达到令人布。然而现实世界中的分类问题的训练样本集往往存在种种不尽如人意的问题,如样本数目过少、数据分布不平衡、协方差偏移以及样本数目过多,这造成了分类器在分类精度和效率上的不足。因此,提高分类器在各种低质量的训练数据集上分类性能就具有极高的理论研究价值。