失衡数据集是数据挖掘领域中广泛存在数据状态,由于不同类别的数据样本数量差异悬殊而使得正常的分类算法效果不明显。在数据挖掘领域中还有一个不可避免的问题就是数据缺失,即数据集在收集或者保存时由于环境等因素而产生的数据值缺失或者属性缺失,造成的结果可能是丢失数据信息所要表达的知识。数据集的失衡和缺失给数据分析以及知识发现带来了困难,因此对此类数据集的研究已经受到了越来越多的关注。随着计算机技术突飞猛进的发展,基于数据挖掘与机器学习的分类问题成为企业及组织快速决策、准确判断和有效辅助的方法,而数据缺失的失衡数据集普遍的存在于计算机科学、生物信息学、经济学等可利用的领域中,对于失衡问题人们常常关心的是少数类的情况,对于数据缺失则常常关心的是缺失的有用信息,因而对这类数据集的解决就特别的重要。本文先描述了失衡数据集以及数据缺失的问题,总结了国内外专家对此类数据集的成果,论述了数据缺失的失衡数据集对分类的影响、常用的处理办法以及分类器的性能评价标准,详细地介绍了数据值缺失和属性缺失。在最大限度的利用数据集中已存在数据的基础上,提出了采用基于密度聚类与灰色管理分析技术相结合的数据值填补策略,同时运用迁移学习的方法对数据集中属性缺失进行解决,利用谱特征排列算法对属性进行增强,并结合利用密度聚类的簇边界采样,处理数据集中样本不平衡,将支持向量机作为分类模型,对经过上述步骤的数据集分类。最后,将数据缺失的失衡数据集处理问题应用到基于数据挖掘的辅助医疗诊断中,并且利用真实的医学数据验证了本文提出的方法可以获得较好的分类效果,为医生的诊断提供协助的作用。