TPOT是一种通过优化的方法生成一个机器学习管道的AutoML算法。该算法将机器学习中的特征工程、数据预处理、模型选择、超参数优化等组件一一抽象为了遗传编程中的树型结构中的每一个节点,之后通过对树的结构进行遗传编程优化,可在有限时间内,获取相对最优的机器学习管道。不过,TPOT目前存在的缺点是虽然生成出来的管道好于常规默认参数配置下的普通模型,但在具体的某个应用领域中,还难以达到专家设置的精度。TPOT的优势在于不依赖领域知识,避免手动调参配置,但也因其采用了进化算法,本身自带的缺陷,在搜索过程中同步优化了模型的超参数,其优化空间受限。鉴于此,本论文主要结合遗传编程特征合成的思想,探讨以非超参数优化的方式优化TPOP所生成的管道,以期进一步提升TPOT算法的性能。遗传编程特征合成是一种用进化算法来合成新特征的方式来对原始数据集进行数据预处理的方法。本论文通过构建遗传编程个体树,后续遍历该树获得用来合成新特征的后缀表达式,用此表达式生成新一列的特征向量。用合成特征后的新数据所训练的模型的性能作为种群个体的适应度指标,让种群在不断的进化迭代中,最终生成的历史最优个体的遗传编程特征合成树作为我们所寻找的目标,以达到对TPOT所搜索到的机器学习管道进一步优化性能的目的。最终,该树作为一种数据预处理模型和TPOT一起结合成一个新的机器学习管道,用于后续的预测任务。而到了预测阶段,需要先将新的测试样本按照该树的后缀表达式所产生的公式,形成新一列的特征,再将这个特征拼接到原来的测试样本中,最后再输入进TPOT所生成的模型中,产生输出结果。为了验证本论文算法对TPOT性能优化上的有效性,在多个通用数据集WDBC,WBC,Tic-tac-toe,Iris和Adult上部署了性能对比实验。通过GPFC-TPOT（本文提出的算法）、TPOT、几个常规机器学习基准模型和人工手动设计的模型的性能对比,在评估模型的10折交叉验证的准确率上,GPFC-TPOT获得了比常规机器学习模型和TPOT更优的性能,分别得到了+1.59%,+1.15%,+3.85%,+2.00%和+0.99%的优化性能提升,其中在Tic-tac-toe和Iris这种超小型数据集上的提升最为明显。最后,分析了GPFC-TPOT相对于TPOT能得到性能提升的原因,并通过可视化遗传编程特征合成树,可视化种群适应度的分布图的优化过程曲线来分析了不同遗传编程的超参数对本论文算法的性能提升所带来的影响。实验证明,在大多数数据集上,本文提出的GPFC-TPOT算法比TPOT拥有更好的性能。