不平衡数据分类指对存在“某类样本数量远远大于另一类样本”现象的数据进行分类,广泛应用于医疗诊断、故障检测、信用贷款等领域。传统机器学习分类方法通常假设样本具有均匀的类分布和相同的误分代价,直接应用于不平衡数据时,分类器会偏向于多数类,导致少数类将被多数类淹没。而现有的不平衡数据分类方法主要侧重于解决数据的类失衡问题,忽略了已被相关研究证实对分类器性能负面影响更严重的类重叠问题。基于上述背景,本文分别从类重叠样本加权和类重叠区域软消除两个角度入手,进行了相关解决方法研究,主要工作如下。（1）针对采样后样本失衡率研究不足和重叠少数样本可见性低的问题,本文提出了一种基于少数类重叠率和相对密度的不平衡数据自适应过采样算法。首先,为了获得更精确的少数类重叠率,本文提出了基于近邻的类重叠区域动态搜索方法（Dynamic Search Algorithm for Local Overlap Regions,LORDS）。其次,针对传统密度计算方法易受离群点影响的问题,提出了一种样本局部密度的计算方法,用于计算少数类相对密度。最后,考虑样本分布对分类性能的影响,提出了一种自适应失衡率计算公式,用于自动确定样本的合成数量,并在少数类的重叠区域进行样本合成,以进一步强调决策边界的重叠少数类样本,增强分类器对其的鉴别能力。实验结果表明,相比同类方法,本文提出的类重叠识别算法更精确,自适应过采样算法的分类精度也有显著提升。（2）针对类重叠区域影响严重和类重叠样本信息学习困难的问题,本文提出了一种基于双重聚类机制和阶段混合采样的不平衡数据集成分类方法。首先,利用提出的投影式聚类组合策略,将类分布分散混叠的原数据转换为类分布简单且集中的交叉集（Cross-complete Set,CCS）。其次,利用提出的阶段混合采样方法分别对CCS子集欠采样去重叠和过采样平衡化;然后,利用提出的聚类迁移映射机制,基于分布一致性约束对各子集分别构造一层单样本信息更丰富且类重叠度进一步降低的映射层,用于辅助分类。最后,基于映射前后子集分别训练分类器并加权融合后,在决策层根据测试样本和分类器的反式距离,对各分类器融合结果进行二次融合,得到最终分类结果。该算法的核心是利用子集间的数据交叉性,实现对重叠多数类样本的软剔除,既可避免重叠样本对弱分类器造成不利影响,又可充分学习其信息。实验结果表明,本文算法的分类性能显著优于对比算法。