在二元分类问题中,非均衡数据集所具有的特征是两类实例个数明显不同。已有的分类方法在分类过程时多以最大化模型的整体分类效率为目标而忽视少数类实例的分类性能。但在现实多种场景中,少数类实例却有着更好的挖掘价值,是需要被关注的对象,例如,在网络入侵检测中,那些存在欺诈违法的入侵者才是应该被发现的。因此,非均衡数据集分类问题是需要相关科研人员研究的一个热点课题。本文从影响函数和网络分类模型两个角度入手,将改进的影响函数与k近邻结合的方法和基于网络结构的方法应用到非均衡数据分类的研究中,最终的分类规则是将测试实例划分到对它累积影响较大的训练实例所在的类。仿真结果表明,本文所提算法较传统分类模型有着明显的优势。具体创新之处可概括如下:(1)针对传统网络分类器应用于非均衡数据分类时会倾向于多数类实例的问题,本文提出了一种基于网络结构的非均衡数据分类方法。该法区别对待多数类实例和少数类实例,对由Pagerank算法计算出的初始节点影响力进行再分配来提升模型对少数类实例的关注,同时,针对传统网络分类器等同对待不同类实例属性的问题,本文则利用模糊熵概念分别为每个类的实例属性计算权重,并将其用在节点局部效率和实例之间物理特征的计算上。仿真结果表明,该法在确保多数类实例分类准确率的前提下,一定程度上也提高了少数类实例的分类性能。(2)针对传统影响函数定义时忽略训练实例自身分布特征和所有测试实例使用同一k值的问题,本文提出了一种改进的影响函数与k近邻结合的非均衡数据分类方法。该法在定义影响函数时除考虑了训练实例与测试实例间的距离关系,还对训练实例自身的类代表能力进行了计算。具体地,首先把训练实例到所在簇簇心的距离和训练实例自身的类内分布特征作为该实例的初始类代表度,其次通过引入置信度概念来分析其它类实例分布对该实例的影响,对处于不同位置上的实例进行有效的区分,准确地计算出训练实例对测试实例的真实影响。在为每个测试实例选择有效近邻时,本文充分利用测试实例自身的分布特征和近邻实例所在类的固有信息,对距离测试实例最近的k个实例添加了近邻选择过程,旨在为每个测试实例找到能够真正参与其类别决策的近邻实例。仿真结果表明,该法在非均衡数据分类问题上较传统方法取得了更好的分类性能。