为了解决不平衡数据分类问题,人们提出了许多基于采样的预处理方法。这些方法的基本原理是通过具体的策略重新平衡数据集。针对不平衡分类问题,本文提出了一种新颖的蚁群优化重采样(ant colony optimization resampling,ACOR)算法。蚁群优化重采样算法主要包括两个步骤:一是通过特定的过采样算法使不平衡的数据集平衡;二是通过蚁群优化从平衡的数据集中找到一个(次)最优子集。与其他过采样技术不同,蚁群优化重采样算法并不关注生成新样本的机制,其主要优点是可以充分利用现有的过采样算法,并通过蚁群优化得到理想的训练集。因此,蚁群优化重采样算法可以提高现有过采样算法的性能。在18个不平衡数据集上的实验结果表明,与四种常用的过采样方法(SMOTE、BSO、ROS、ADASYN)相比,蚁群优化重采样算法在常用性能评价标准(AUC、G-mean、BACC)下具有更好的分类结果。具体的工作有以下几点:首先,本文阐述了不平衡数据分类方法以及污水处理故障诊断的研究现状,并对污水生化处理的故障以及诊断方法进行了研究,介绍了不平衡数据分类的性能评价标准以及分类算法。然后,研究了多种过采样算法,介绍了不同的过采样算法以及它们各自的优缺点。针对不平衡数据集,本文提出了一种基于蚁群优化的不平衡采样算法。仿真实验表明,蚁群优化重采样算法可以增强过采样算法的分类性能,适用于各种过采样算法,是一种通用的框架。最后,将蚁群优化重采样算法应用到污水处理故障诊断中,污水处理故障诊断是典型的不平衡分类问题。实验结果表明蚁群优化重采样算法能够有效增强数据集的分类性能,有助于我们区分污水处理过程中的运行状态。