支持向量机(Support Vector Machine,SVM)是一种重要机器学习算法,它基于VC维和结构风险最小化等统计学习理论发展而来,具有坚实的理论基础和普遍的实用性。其通常在类别相对平衡的数据中能够呈现良好的分类效果。但实际应用中许多分类问题都呈现出高度不平衡特性,对于不平衡的分类问题,支持向量机往往不具有很好的分类性能。本文基于不平衡分类问题的研究背景,对支持向量机算法的原理及其对不平衡数据分类的缺陷进行分析。对现有针对不平衡分类典型的改进型支持向量机算法进行实验验证,详细分析其优点和缺点,并基于此提出一种改进的算法——概率优化代价敏感支持向量机(PCS-SVM)。论文的主要研究内容有:(1)对支持向量机算法作用于不平衡数据效果不佳的原因进行详细分析,并通过实验对所述原因进行验证;基于目前典型的不平衡数据采样方法和改进的支持向量机算法,通过实验验证其在不平衡数据分类上的有效性;并指出传统改进算法的不足之处。(2)基于现有的代价敏感支持向量机算法,引入样本分布概率密度函数(PDF),有效地调整优化问题中的惩罚参数,提出一种改进的支持向量机算法PCS-SVM。算法使用相似度矩阵和预定义的超参数对超平面附近的样本类别进行估算,进而有效调整分离超平面;结合不同改进算法的优点,提高了算法在不同数据特性上的适应性和鲁棒性。(3)利用16组实际不平衡数据集对PCS-SVM算法进行验证,比较PCS-SVM算法与目前典型SVM改进算法的分类性能,使用不同的评价指标对新算法和传统改进算法的预测效果进行评价;并利用T检验的方法进一步比较PCS-SVM算法与其他SVM改进算法,验证PCS-SVM算法的有效性。