集成剪枝所解决的问题是从原始集成系统中，找到一个合适的成员模型子集来替代原始集成系统，这是一个组合优化问题。剪枝不仅可以减小集成系统的规模，更能够提高系统的推广性能。近年来，基于贪婪策略的集成剪枝方法得到研究者们的重视，他们不仅研究了不同搜索方向对剪枝算法的影响，而且提出了许多用于贪婪剪枝算法的度量标准。人们通常认为，多样性对集成剪枝算法至关重要，并提出了许多基于集成多样性的度量标准，取得了良好的效果。多样性和精确度是集成系统的两个重要属性。然而，以往的剪枝算法往往将多样性和精确度分开考虑，只重视其中一个而忽略另外一个。而我们认为，这两个属性彼此关联且相互影响，在集成的剪枝过程中需要同时考虑这两个属性。从同时考虑集成多样性和精确度的立场出发，本文提出三种度量标准SDAcc、DFTwo以及AccRein，它们都是针对贪婪算法提出的。度量标准SDAcc的动机是同时兼顾当前集成子集和候选基分类器的多样性和精确度，且SDAcc没有放弃对困难样本的处理，以进一步提高集成系统的推广性能。度量标准DFTwo的灵感来自于对集成系统多样性的理解：集成系统多样性更多地关注候选分类器与当前集成子集的不同之处。度量标准AccRein相对于DFTwo，加强了对集成精确度的考虑。基准分类数据集上的实验证明，这三种度量标准都取得了较好的剪枝效果。以往对贪婪剪枝算法的研究往往忽略了贪婪算法的局部极小点问题。我本文针对此问题，结合GRASP算法的特点，提出了旨在解决局部极小点问题的剪枝算法—GraspEnS。一方面，通过引入随机因素，GraspEnS算法改善了贪婪算法的搜索策略；另一方面，GraspEnS算法实现了多起始点搜索，扩展了贪婪算法的搜索空间。基准分类数据集上的实验表明，本文提出的GraspEnS算法相对于其他算法，能够很好地解决贪婪策略中起始点和搜索策略的选择问题，从而部分地解决贪婪算法的局部极小点问题，最终取得较好的剪枝效果。