随着信息化时代的发展,带来了大量的高维多分类数据,并且这些数据通常存在类别不平衡问题。比如关于某疾病的基因数据,患病与不患病的人数相差悬殊,且患各类疾病的人数各不相同。关于多分类的模型已有广泛研究,但许多模型都建立在样本量大于变量个数（n＞p）的条件下,且未对不平衡问题进行模型修正,本文主要对（p＞n）条件下的高维不平衡多分类问题进行探究。首先针对高维多分类问题,本文提出了两种多分类距离加权判别模型,一是基于两两类别对比的SMDWD模型,二是基于角度的ASMDWD模型,并在模型中加入Elastic-net惩罚函数进行变量筛选。其次,针对不平衡问题,本文也提出了两种处理方法,一是采用比例加权的方式修正损失函数,二是采用集成模型的思想进行数据采样,并将这两种方法与本文的两个模型进行结合。本文利用坐标下降法对模型求解,模拟了多种不同数据分布的多分类问题,并且从分类预测效果及变量筛选两方面进行了评估。结果表明,当高维数据中存在大量冗余变量时,本文的方法相较现有的多分类距离加权判别模型更有优势,能够筛选出重要变量且提高分类准确性。SMDWD与ASMDWD在分类预测准确性和变量选择上各有优势,同时也取决于数据集的分布情况。ASMDWD的求解复杂度不会随着类别增多而线性增加,在运算速度上更具优势。此外,经模拟验证本文提出的两种不平衡修正方法也能有效适用于不平衡分类问题。最后,将本文的方法运用到实际的肺部肿瘤分类问题上,目标是根据基因数据进行肿瘤细胞分类,是典型的高维多分类且类别不平衡的数据集。结果显示本文提出的加权稀疏DWD模型具有最优的分类准确度,且能筛选出数据集中的重要基因。