标准支持向量机的求解属于二次规划问题，对于大样本集的问题,支持向量机的训练时间较长。为了降低时间复杂度，前人提出了近似支持向量机。其中标准的近似支持向量机是一种新型的求解分类问题的方法，它不是二次规划问题，而是一个正则最小二乘问题能求出解析解，因此训练速度大大提高。本文针对数据不平衡问题，提出了一种基于密度加权的近似支持向量机方法，为每一个样本分配不同的隶属度，首先计算每一个样本的密度信息，根据样本的密度信息对样本的误差项进行密度加权。由于每一个样本的密度指标值不同，所以样本对模型的贡献也是不同的，密度加权近似支持向量机给不同的样本赋予了不同的惩罚因子。近似支持向量机使所有的样例都成为支持向量，使得稀疏度无法控制，因此本文给出了一种控制稀疏度的方法，有效地控制了密度加权近似支持向量机的稀疏度。核参数的优劣直接影响分类器泛化能力的好坏，给出了一种核参数选择的方法，使得分类器具有更好的分类性能。将该方法用于UCI数据集中，分别与其他方法进行比较，实验结果表明增量密度加权近似支持向量机具有较好的分类性能。