通过聚集多个分类器的组合来提高分类准确率的技术主要包括：

A: **袋装法（Bagging）**
B: **提升法（Boosting）**
D: **随机森林（Random Forest）**

因此，正确答案是：A、B、D。

### 专业分析

| 技术 | 描述 |
|---------------|----------------------------------------------------------------|
| **袋装法（Bagging）** | Bagging 是自举汇聚（Bootstrap Aggregating）的简称，它通过对数据集进行多次有放回的抽样，生成若干个子数据集，在每个子数据集上分别训练一个分类器，最终通过投票或平均等方式结合这些分类器的结果。随机森林就是 Bagging 的一种变体，它使用决策树作为基分类器。 |
| **提升法（Boosting）** | Boosting 是一种迭代的方法，它通过逐步减少已经被正确分类的数据的权重，强调那些之前分类错误的数据，训练一系列弱分类器，并将它们结合成一个强大的分类器。常见的 Boosting 算法包括 AdaBoost 和梯度提升决策树（GBDT）。 |
| **支持向量机（SVM）** | SVM 是一种单一分类器，不属于集成学习方法。它通过寻找一个最佳的超平面来分隔不同类别的数据，以此实现分类。因此，SVM 并不涉及聚集多个分类器。 |
| **随机森林（Random Forest）** | 随机森林是 Bagging 方法的扩展，它通过生成多个决策树，并让每棵树独立分类后进行投票（对于回归，取平均）来决定最终的预测结果。这种方法有效地降低了过拟合的风险，提高了分类的准确率。 |

在这些技术中，支持向量机（C）是独立的分类算法，而不是一种集成技术，因此不符合题目的条件。