采样理论是多个学科的基础理论。通过采样方法,不仅可以获得精确推断不可行条件下的近似解,还可以基于采样方法,加速计算。大数据场景下,采样方法得到更加广泛的应用。数据不平衡问题是机器学习领域的经典问题,基于数据层面的解决思路包括数据过采样和欠采样方法。数据驱动的模型在面临真实场景下的问题时,会遇到更多的数据不平衡问题。本文的主要研究工作如下:研究数据不平衡问题对机器学习中分类模型评估指标的影响,借助可视化手段,通过实验证明分析数据不平衡问题会对模型学习带来负面作用。针对从数据层面解决数据不平衡学习问题的两种思路,过采样方法和欠采样方法,分别从理论分析和对比实验角度证明采样方法的有效性,为后续研究工作打下理论和实验基础。已经有相关研究将演化思想引入采样算法中,并结合Lévy分布提出了自适应的采样算法,本文改进了基于Lévy分布的演化采样算法,通过增加该分布α值的选择,使得候选样本的选取不会局限于极端情况,从而实现更加高效地选择。理论分析和实验表明,改进算法在收敛速率和精度上优于基于高斯分布,柯西分布,对称指数分布的演化采样算法和其他自适应的演化采样算法。针对不平衡数据集上的采样问题,在深入分析基于Lévy分布的过采样方法的基础上,认为样本比例生成函数的选择并不一定必须是Lévy分布,因此提出基于高斯分布和分段分布的数据过采样方法。其核心思想是通过构造类Lévy分布的样本比例生成函数,使得从边界样本合成的新样本密度最大,靠近多数类的样本合成的新样本密度次之,靠近少数类的样本合成的新样本密度最小。因此,该算法可以达到增强分类边界的同时减小噪声生成的目的。通过在多个数据集上的实验,表明所提算法的有效性。