在人工智能上升到国家战略的今天,数据作为推动人工智能智能化发展的重要因素,对人工智能的发展起着重要作用,人们日常生活中面临的很多问题都可以简单的转化为数据分类问题,由神经网络和模糊推理系统相互渗透、相互合作而成的神经模糊分类器在解决数据分类问题方面是一种比较流行的方法。由于互联网技术的高速发展、事物内部及事物间的互相关联性,以及现实生活中太多不确定性因素的干扰,收集到的数据往往是充满不确定性。模糊推理系统可以很好处理不确定性信息,从而得到相对较好的分类效果。而神经网络具有很多方法所不具备的学习能力,通过在大数据训练过程中对权值的调整,能够区分出测量值相近但是所属类别不同的类的样本。但是现有的分类算法包括模糊神经分类器在内,更侧重于整体分类效果,但现实数据多大多存在分布不均衡问题且少数类样本起着更为重要的作用。传统分类器在分类建模时更容易受到多数类样本影响,忽略少数类样本,导致分类器对少数类分类效果不佳,分类器的整体分类效果也会在一定程度上受影响。针对以上问题,为提高模糊神经分类器的性能,本文通过对现有不平衡数据处理方法进行分析,提出基于数据和算法层面的混合式不平衡数据处理算法,在解决了数据不平衡问题的同时,提升分类器对对少数类的分类效果。且本文方法处理后的数据更符合原始样本特点,并降低了样本噪音,因此可提升分类器整体分类准确率。为保证较低计算复杂度,在参数生成阶段,本文采用K均值聚类算法,在·.降低计算复杂性的同时保证较好的初始分类效果。最后,为了使模型的识别率能够达到一种更为理想的状态,考虑到全局优化算法不易陷入局部最优并且易于实现,用粒子群全局优化算法对系统的参数进行优化,并用UCI标准数据对模型进行实验验证。结果证明,本文提出的方法对不平衡数据进行了合理处理,且基于该方法的模型对数据分类准确率远高于其他方法。.