不平衡数据学习是近几年来引起人们广泛关注的一类重要的有监督学习问题，数据的不平衡性存在于许多重要的实际领域，例如网络入侵检测，信息检索，医疗诊断，基因分析等。由于两类样本点数目相差较大，采用传统的分类方法无法实现对不平衡数据集的有效分类。因此，不平衡数据分类问题给当前机器学习带来了巨大的挑战。　　针对不平衡数据集的分类问题，本文在如何有效提高少数类样本点分类准确率和整体分类准确率以及减少支持向量数目方面进行了系列研究，主要创新成果如下：　　1，提出了处理不平衡数据集分类的两种形式的非对称加权方法,即给出了基于特征空间中线性形式双隶属度函数和指数形式双隶属度函数的非对称加权算法，考虑了不同类的重要性和不同样本点隶属度的差别。实验表明，该算法既提高了少数类样本点的分类准确率（SE），也提高了正负类样本点分类准确率的几何平均值（G-means）。　　2，将高斯核函数和多项式核函数混合应用到非对称加权方法中，提出了基于混合核函数的线性形式双隶属度函数和指数形式双隶属度函数的非对称加权算法。实验表明，该算法有效减少了支持向量的数目，提高了G-means值和AUC值。　　3，在特征空间中改进了保角变换矩阵的自由参数，提出了修正的基于黎曼度量的高斯核函数。给出了基于样本点到实际分类超平面距离的非对称加权算法，并将改进的黎曼度量的核函数用于此非对称加权算法中。实验表明，该算法有效提高了G-means值和AUC值。