随着人工智能的发展,机器学习技术越来越多地应用于社会各个领域,用以辅助或代替人们进行决策,特别是在一些具有重要影响的领域,例如,信用程度评级、学生质量评估、福利资源分配、疾病临床诊断、自然语言处理、刑事犯罪判决等。如何提升机器学习算法的公平性,保护到弱势群体的利益,直接影响到社会和公众对机器学习的信任,以及人工智能技术的应用与系统部署。公平性机器学习目标是在分析数据的同时考虑到公平性、中立性和独立性等潜在问题。公平性机器学习算法的两个主要任务是不公平检测和不公平预防。在提高算法分类公平性的算法分类中,基于数据预处理的歧视样本发现是一类简单有效的方法,本方法的核心在于计算样本间的相似度量。考虑到衡量非结构化或高维数据的相似度量是机器学习中非常具有挑战性的问题,本文利用谱聚类算法原理将复杂结构的特征数据通过谱聚类进行非线性数值降维,然后利用标准欧式度量筛选出目标训练集,对目标集中的所有样本通过距离度量方法判定样本是否具有歧视性,并进行训练集的修改。针对Adult Income和German Credit公开的数据集,通过实证进行了歧视消除算法的对比分析。在实证分析中,基于决策树、支持向量机算法初步决策分类,后根据两类公平性指标对分类结果进行度量,验证未进行公平性处理的分类结果确实存在着不公平。经过对比,本文的方法具有更好的分类公平性和准确性。