银行的破产特别是大银行的破产有可能导致银行系统危机的出现。由于银行危机会给一国的经济发展带来巨大的损失，甚至导致金融危机，如2008年的雷曼兄弟倒闭所引起的链锁反应；为此，加强对商业银行的监管，特别地妥善处理面临破产的银行，及早采取措施，发出预警，甚至提早关闭面临破产的商业银行，对保障金融秩序，维护经济稳定十分重要。正常的经济环境下，大部分银行都是健康的，只有小部分是有问题即将面临破产的，也就是说银行破产问题是两分类问题，即分为健康的银行和即将面临破产的银行两种。而有问题的银行通常都会在财务数据上有所反映，因此，本文所研究的银行破产问题就是针对财务数据而进行的。而另一方面，健康银行数量远大于面临破产银行，这其实就是一个不平衡分类问题，因此，本次研究的对象就是基于不平衡数据集的银行财务数据破产分类。本文所研究数据为美国芝加哥联邦储备银行（Federal Reserve Bank of Chicago）数据集，均可在网站下载。该数据集包括了大量银行的财务数据，属性量高达数千。直接对这些属性值进行机器学习效率低下，本文的研究主要基于一些财务比率。为了更好的对银行机构进行破产预测，数据挖掘技术因此被引进并对银行财务数据进行挖掘。通过标准化财务数据为机器学习的标准形式，然后进行机器学习和预测测试，以此分析该数据挖掘技术的性能。由于不平衡分类问题的特殊性，目前国内外对此类问题的研究主要集中在以下两个方面：数据处理方法和算法改进方法。数据处理的方法着重于让数据变得平衡，然后再进行机器学习，算法改进的方法通过改变不同类的错分权重来实现。为了能提高银行数据的少数类分类性能，本文分别应用了随机过抽样，随机欠抽样，SMOTE与SVM的结合方法，另一方面，将代价敏感引入SVM，在算法层面和SVM进行结合，以寻求代价最小的分类算法。最后对银行数据进行学习预测，分析比较得出这几种分类算法中最有效的方法。