支持向量机(Support Vector Machine,SVM)是基于统计学习理论发展起来的一种机器学习算法,具有坚实的理论基础和良好的分类效果。但对不平衡数据进行分类时,SVM算法学习得到的超平面会偏向少类样本,导致少类样本的分类效果较差。现实生活中许多分类问题都呈现出高度不平衡特性,因此本文针对SVM算法对不平衡数据分类效果较差的问题展开研究,提出了一种改进的SVM算法。论文的主要研究内容分为以下几个方面:1.介绍了统计学习理论的相关背景知识,并对基于统计学习理论形成的SVM算法的基本原理和实现过程进行阐述说明。2.基于理论和实验分析,归纳出不平衡数据影响SVM算法分类效果的五个因素。基于国内外研究现状,对典型的改进方法进行分析,通过实验对各类算法进行性能比较,并对重采样技术和SVM改进算法各自的局限性进行总结。3.基于现有的面向不平衡数据的SVM算法,提出了一种复合支持向量机算法 HSVM(Hybrid Support Vector Machine)。通过自适应合成采样(Adaptive Synthesis sampling,ADASYN)算法和不同错误代价(Different Error Cost,DEC)算法相结合,克服使用单一改进算法的局限性,有效地改善不平衡数据对超平面造成的偏移。4.针对类内不平衡对分类效果造成的影响,引入一种新的修正算法对预测模型进行修正。将错误划分到多类中的少类子类人工挑选出来,并加入预测模型,对落入这些少类子类范围的输入点进行预测值修正,使其尽可能地预测为少类,提高预测模型对于不同数据特性的适应性。