本文研究集成模型中不确定性的捕捉，始于纯机器模型，继而从新视角延伸至人机协作。在现有关于集成模型不确定性捕捉的研究中识别出两个空白领域。首先，在机器决策方面，虽已有研究提出处理集成模型中源间不确定性的组合方法，但源内不确定性的捕捉仍需解决。其次，人机在集成模型中的协作引入了将这些模型中人类不确定性进行整合的新挑战。此外，当通过人机协作处理现实世界决策问题时，需要投入专门的研究工作以彻底探究这种协作方法。因此，集成模型中人机协作的每个案例研究都需要新方法。

本论文深入探讨了集成分类器背景下的第一个研究空白。在两种设定下研究此空白。首先，开发了一种区间建模方法，用于在某一类集成模型中组合分类器，以捕捉源间与源内不确定性。通过所提出的模型，可通过在复杂二分类问题中捕捉不确定性来提升集成模型的性能。其次，研究了作为文献中广泛使用的集成模型之一——装袋法的集成选择问题。尽管先前研究忽视了将源内不确定性作为集成中分类器选择标准的考量，但证明了其对提升所选集成性能的重要意义。本研究将装袋法的集成选择问题表述为一个双目标优化问题，并提出一种自适应元启发式算法来解决该双目标问题。研究结果凸显了将源内不确定性纳入分类器选择过程的重要性，从而提升集成模型的性能。

随后触及第二个研究空白，即集成模型中的人机协作。具体而言，提出了区间建模方法来捕捉人类与机器共同决策的集成模型中的不确定性。通过两个案例研究，展示了这种人机协作及区间建模如何通过捕捉人类与机器的不确定性来提升集成性能。在第一个案例研究中，使用合成数据展示如何在整个集成决策过程中实施人机协作以及捕捉人类与机器的不确定性。在第二个案例研究中，利用一个与生物淤积评估相关的真实图像数据集，探究人机协作在生物淤积检测集成模型中的重要性。此外，将区间建模应用于生物淤积检测，以检验捕捉不确定性如何影响集成性能。

总之，正如所阐述的，本论文通过提出有效的区间建模技术来捕捉不确定性，并研究这些模型中的人机协作，推动了集成模型的当前发展水平。这些贡献旨在提升集成性能，这是将这些模型应用于处理现实世界决策问题之前的关键一步。