随着信息全球化的快速增长,高维不平衡数据广泛存在于我们的现实生活中,如在人脸识别、垃圾邮件检测、图像检索、医疗诊断、入侵检测和生物信息挖掘等方面都存在着大量的高维不平衡数据。如何平衡高维不平衡数据的样本类别,并对数据样本进行分类预测是当今机器学习和数据挖掘领域一个热门的研究方向。随机森林算法是由Breiman首先提出来的,它是一个由多棵决策树集成的学习算法。随机森林因它良好的分类性能受到了大家的广泛关注,随机森林和其它分类算法相比较有一定的算法优势,主要表现在分类精度高、泛化误差小,算法训练速度快而且容易并行化计算等几个方面。但是原始的随机森林针对高维不平衡数据做分类预测时,会出现分类性能降低,算法的复杂度太大等问题。针对原始随机森林在高维不平衡数据分类中存在的问题,本文分别从数据和算法这两个大方面对原始随机森林算法进行优化与改进,本文的主要工作包括以下几个方面:(1)在数据方面提出一种改善数据平衡问题的优化的SMOTE算法—E-SMOTE算法,该算法在SMOTE算法的基础上加以优化,有效的改善了SMOTE算法易导致边界模糊的问题,平衡后的数据有效的缓解了数据的不平衡性对模型的影响。(2)提出一种优化的特征选择方案,该方案建立在特征选择算法的基础上对数据欠取样,以特征的重要性程度和相关度为标准对特征进行筛减,并删除冗余的特征,最后生成新的特征子空间。(3)提出一种优化的随机森林分类模型—加权的随机森林模型,该模型对决策树模型进行加权重组,避免了有些含噪声和边界的数据对随机森林模型的干扰,达到优化模型的目的。