多分类器系统（multiple classifier system），工学-信息与通信工程-模式识别-统计模式识别-多分类器系统，利用差异性和互补性将多个分类器结合起来所得的系统。基于最大后验概率决策或最小风险决策规则的贝叶斯分类器在类后验概率或条件概率密度准确估计的理想情况下是最优的分类器，但是这种理想情况难以实现，因此实际的各种分类器（参数统计分类器、非参数统计分类器、神经网络、支持向量机和决策树等）是对贝叶斯分类器的近似。由于分类器模型结构、特征提取、参数估计方法和训练样本等影响分类器性能的因素变化，不同的分类器在性能上体现出差异和互补性，如对同一个输入模式不同的分类器判别结果不同。利用这种差异性和互补性，将多个分类器结合起来，得到多分类器系统，可以得到比单个分类器更优的分类性能（分类错误率更低）。多分类器系统有两方面的研究问题：一方面，给定多个已有的分类器，如何对它们的输出决策进行融合得到更好的分类性能；另一方面，如何设计多个互补性良好的分类器，以得到更好的融合分类性能。给定多个分类器，输出决策的融合方法分为3类：抽象层融合、排序层融合和度量层融合。