软计算方法是一类方法的集合体,主要包括模糊计算、神经计算、进化计算等,这类方法的共同特点是能够容忍不确定、不精确和部分失真的数据,使用线性代替非线性,使用有限代替无限,当无法或者很难求得问题的最优解时,退而求其次,求其次优解。软计算方法建立的模型更接近客观事物本身,更贴近人类的思维模式。软计算方法体之间是相互协作的,而不是互相排斥的,研究软计算方法的融合,可以使它们优势互补,发挥更大的性能。构造性神经网络学习算法-覆盖算法,在构造隐层分类器的过程中,采用随机的方法选择圆心样本,导致构造出的覆盖分类器分类能力不稳定。本文融合遗传算法和神经网络,在构造覆盖分类器的过程中引入竞争的概念,利用佳点集遗传算法对覆盖集合进行搜索,淘汰不好的覆盖,存留较优的覆盖,算法明显减少了覆盖分类器个数和拒识样本个数,对比试验表明,算法具有很好的鲁棒性、识别率和泛化能力。针对在处理有噪音、模糊、不确定的数据时,覆盖算法产生的分类器的分类能力受到较大的影响的问题,本文融合粗糙集与神经网络,提出了覆盖熵的概念,并找到了一种表示分类能力的方法,在确保分类器的分类能力不降低的条件下,以决策属性相对于分类器的条件信息熵为条件,对一组覆盖中信息熵最大的覆盖进行约简,减少分类器的不确定因素。对比试验表明,算法具有很好的识别精度和泛化能力以及处理模糊、不确定数据的能力。Captcha是用来区分计算机与人类的一种程序,图像验证码是一种典型的Captcha,本文对图像验证码的发展历程进行了总结,比较了几种目前最常见验证码的特点和设计思路,提出了对一般验证码的破解方法,并设计实现了提取验证码数据的图片信息提取系统。覆盖算法和支持向量机是两种重要的机器学习分类方法,但长期以来一直缺少基于覆盖算法的通用分类器,在一定程度上阻碍了覆盖算法的推广,论文设计实现了通用的覆盖分类器JCover,并把软计算融合算法嵌入JCover,用于识别图像验证码,实验证明,识别效果良好。