神经网络集成通过训练多个神经网络并将其结论进行合成，可以显著地提高学习系统的推广能力。它不仅有助于科学家对机器学习和神经计算的深入研究，还有助于普通工程技术人员利用神经网络技术来解决真实世界中的问题。因此，它被视为一种有广阔应用前景的工程化神经计算技术，已经成为机器学习和神经计算领域的研究热点。Boosting算法是用来提高学习算法准确度的方法，它通过构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数。本文在对原AdaBoost算法的研究基础上，提出了优化训练集和用最小二乘优化弱分类器权系数的两种改进算法，理论和实验表明改进的算法具有训练误差更小，推广能力更好的优点。本文中，利用AdaBoost算法来生成神经网络集成中的个体网络，并用来做基因数据的模式分类。实验证明，该方法有效地解决极少样本、超高维的基因数据模式分类。