随着科学技术的高速发展,医学、金融、生物学等领域中产生了大量的类不平衡数据,如何从中提取出有效信息成为近年来的研究热点和难点。传统的分类算法旨在获得最大的分类精度,导致少数类样本常被误分为多数类,此时传统的分类算法不再适用于不平衡分类。针对这一问题,本文从数据层面和代价敏感层面展开不平衡数据的统计建模研究,主要成果如下:过采样作为处理不平衡数据分类的常见方法,通过合成少数类样本,以降低原始数据集不平衡程度。本文针对SMOTE及其衍生算法的缺点如合成样本共线性较强、样本重叠等,基于支持向量机的原理,提出了基于支持向量机自适应加权的合成少数类过采样方法（AWSMOTE）。一方面,AWSMOTE在变量空间中对变量赋权。样本中各个变量影响着合成样本生成的方向和大小,对变量各自赋权后,使得新样本不再是少数类样本与其近邻样本之间线性插值,进而优化少数类样本分布;另一方面,AWSMOTE在样本空间中对样本赋权,将少数类样本划分为支持向量和非支持向量,对少数类支持向量赋予更高的权重,实现少数类样本自适应地生成新样本,进而提升分类性能。借助F1、AUC、G-mean等多个评价指标,本文进行了模拟数据与真实数据实验。结果表明AWSMOTE普遍优于SMOTE、BLSMOTE、DBSMOTE和ADASYN这几种经典过采样方法。MetaCost是一种常见的代价敏感元学习的方法。MetaCost从数据集中多次随机重抽样得到多个训练子集,若数据集是不平衡的,则训练子集可能不包含或者含有很少的少数类样本,这样会影响到子分类器的预测结果和集成学习模型。因此,本文提出了A-MetaCost,即在MetaCost划分训练子集之前,运用AWSMOTE来平衡数据集,然后利用m-estimation来提高少数类的预测概率。借助F1、AUC、平均误分类代价（AMC）等多个评价指标,本文进行了相关的模拟数据与真实数据实验。结果表明A-MetaCost的分类效果显著优于MetaCost和AdaBoost的分类效果。AWSMOTE和A-MetaCost的提出适应了现实中类不平衡数据处理的需求,能够有效地提高少数类的分类精度,具有较高的应用价值。