不平衡数据处理是数据挖掘领域的重要研究内容。由于不平衡数据集的样本类间数量严重不平衡,传统的分类模型关注数据的整体准确率,少数类样本识别精度低。当数据不平衡比较大时,传统模型难以提高少数类样本的分类精度,且普遍存在运算时间长、计算成本高等问题。因此,针对不平衡数据的结构特点,研究既能提高少数类样本的识别精度,又能降低数据规模的算法具有重要的现实意义。数据粒化是降低数据维度的有效方法,以不同的粒化方法与分类器结合作为分类工具,降低数据维度、提高少数类样本识别精度为主要目标,提出了新的粒化学习机建模方法。主要贡献如下:1.针对数据粒化后,传统算法仍需在所有粒层上进行建模学习,计算时间较长的问题,探索一种基于粒计算学习机模型构建方法,获取最优粒层,提升算法学习效率。2.针对采用Tomek-Link方法的欠采样算法,剔除边界样本较少,不能有效平衡数据结构的问题,在Tomek-Link方法的基础上,提出一种基于Tomek-Link的改进粒化算法并构建模型,克服Tomek-Link算法剔除样本少的问题。3.针对在集成学习框架下,模型集成策略主观性较强的问题,提出Bagging粒化加权集成分类模型,使集成策略更具有客观性,提升模型的分类性能。4.针对单独使用非平稳割点算法粒化数据集,容易剔除少量利于分类学习的样本,导致模型分类精度下降的问题。提出了基于膜集成的粒化加权集成分类模型,与其他集成分类模型相比,该模型的少数类样本具有更高的识别精度。由于不平衡数据的分类精度低,少数类样本识别困难,分别从粒化方法、集成策略方面进行研究,结合粒计算理论,提出四种不同的粒化学习机建模算法。在公开不平衡数据集上的试验结果都证实了分类模型的可行性与有效性,为不平衡数据的分类建模研究提供了新的研究思路。图25幅;表14个;参66篇。