随着信息时代数据量的高速增长，如何尽可能的对海量数据中的稀有类别数据进行正确的分类变得极为重要。传统的不平衡数据分类算法由于自身分类局限性的影响导致对数据集中稀有类的识别率偏低，达不到实际应用的要求。本文提出了一种基于混合模型的CBP-SVM算法来有效提高对稀有类的识别率。CBP-SVM算法结合了多种方法来处理不平衡数据分类问题：它首先利用粒子群优化算法(PSO)来优化SVM中RBF核函数的参数，并将优化后的SVM作为提升算法（AdaBoost)的弱分类器形成了Boost-PSOSVM算法。在此基础上，再结合级联模型来组成一个混合分类模型来对数据集进行分类。该混合分类模型中，Boost-PSOSVM算法将AdaBoost算法的权重更新规则和分类器集成方式做了一定的修改，并将优化后的SVM作为其弱分类器来提高算法的训练精度。而级联模型通过逐步排除数据集中多数类样本来减小数据集的不平衡度，从而使每个级联结点内的Boost-PSOSVM算法集中精力来对稀有类样本进行训练。实验结果表明，CBP-SVM算法能有效的提高算法的整体分类性能和对于稀有类的识别率。