电子邮件作为一种高效、经济的现代通信技术手段,已成为互联网最大的应用之一,然而,日益泛滥的垃圾邮件严重影响了个人和组织的工作效率。传统的黑名单、关键词、邮件路由等技术不能从根本上解决问题,所以基于人工智能、机器学习的方法被越来越多的应用到垃圾邮件过滤中。其中朴素贝叶斯(Naive Bayes),支持向量机(Support Vector Machine),逻吉斯回归(Logistics Regression)等基于统计学的方法已经被广泛使用,并且这些方法也都取得了相当不错的结果。还有06年开始在TREC比赛上展露的动态马尔可夫压缩算法(Dynamic Markov compression),部分匹配预测算法(Predictionby Partial Matching)等基于字节熵的算法也都表现出了相当好的过滤性能。虽然目前的主流垃圾邮件过滤器对于垃圾邮件的拦截都表现出了较好的性能,但是每一种过滤器仍然会存在一定的误判率,特别是在垃圾邮件过滤领域中正常邮件被误判为垃圾邮件的代价将远远大于垃圾邮件被误判为正常邮件,所以垃圾邮件过滤器的FP(False Positive)率,即正常邮件被误判为垃圾邮件的比率就显得特别重要。同时商业化的反垃圾邮件解决方案采用了级联式的结构来降低整个系统的误判率,虽然取得了不错的效果,但是一旦产生误判级联的方法将会产生严重的后果,最后方的过滤器将无法修改前面的过滤器做出的判断。本文针对降低垃圾邮件过滤器的FP率,提出了一种两层结构的组合垃圾邮件过滤器。这种方法相比于单分类器可以通过组合的方式降低FP率,相比于商业化邮件过滤系统则可以充分利用不同分类器结果进行综合判定。