近年来，集成学习因其在多分类系统中良好的泛化性能而成为研究的热点。然而，传统抽样方法生成的基分类器模型存在相似性高、集成后泛化能力不足等问题。为此，提出了一种基于有监督学习的自适应分类器融合方法AEC SL，首先利用高斯混合模型的聚类算法将训练集划分为有监督分类器，然后在每个聚类上使用随机森林算法得到有区别的分类器。在此基础上，进一步提出了一种结合最近邻聚类相似度和基分类器局部适应度的动态加权方法，以获得优化的自适应分类器组合。在标准UCI数据集上的实验结果表明，本文提出的AECSL方法比传统的分类器集成方法具有更好的分类性能。