由于信息技术的迅速发展,使得数据具有海量、复杂和快速变化的特征。如何从海量数据中挖掘出内在规律,为决策提供支持受到人们广泛的关注。集成学习通过串行或并行方式生成不同的基分类器,并将预测结果结合起来,以做出更明智的决策。这种组合可以有效地解决单一个体的缺陷,提高集成分类器的构造效率和泛化性能。但这种机制不能充分发挥基分类器之间的交互协作优势,无法对基分类器的形态结构和集成分类器的组合结构进行同步优化。集成学习的难点在于如何设计合适的集成,例如集成规模的大小,集成成员的选取,以及超参数的设置等,这些都会导致集成模型的性能很大程度上依赖于人为的设计决策。本文将进化算法用于基分类器的生成和集成的构造,对有关的理论和技术进行了深入的研究,并在此基础之上实现了两个层次进化之间的协同优化,完成的主要内容如下:（1）基于语义结构和行为多样性的决策树进化搜索机制。决策树是一种树形模型,其中间节点是判断特征值的一个函数,而叶子节点则是一系列函数运算的结果。本文将决策树作为双进化集成的基分类器,利用进化算法对决策树进行优化。从语义结构和分类行为两个角度增加决策树的多样性,使用多目标适应度函数来调节决策树的分类性能和复杂度。拆分和融合算子实现了对决策树结构的不同粒度优化,并引导决策树在进化过程中学习组合知识,从而提高集成模型的泛化能力。（2）基于双进化的集成协同搜索机制。构建集成模型时,在底层决策树进化的基础上,根据决策树之间的组合效果,动态优化集成组合以及决策树结构。通过两个进化搜索之间的协同机制,提高了集成的分类能力和可解释性,同时降低了集成系统的复杂度。通过22个分类数据集对所提方法的性能进行了验证,结果表明双进化机制能有效地减少集成冗余结构,提高集成泛化性能,并且构造的决策树复杂度低且可解释性强。（3）针对目前临床医学上的诊断问题,将双进化集成学习算法应用于威斯康星州乳腺癌早期诊断和术后复发预测的研究中,实验结果表明双进化机制构造的集成模型不仅具有良好的分类效果,而且通过删除冗余结构可以有效的提高模型的可解释性。从模型中提取的决策规则可以根据实际情况进行调整和更新,为医生诊断过程提供一种具备准确性和可解释性的方案。通过以上研究,本文完成了对分类问题的双进化集成学习方法研究,并且在医疗问题中具有一定的实用价值。尤其是双进化集成方法无须预先设置集成结构,实现了集成的自动构建,从而降低了人为决策的干扰。