社会上各个行业各个领域如:互联网、医疗、金融等都积累了大量的数据,积累的数据大多存在着数据的不平衡性,对不平衡数据采用传统的分类算法进行分类具备一定的难度,取得的分类准确性较低。如何对不平衡数据进行分类并提高分类性能已经成为我们的研究重点。本文分别从数据处理和分类算法层面出发,改进SMOTE算法和AdaBoost算法存在的不足:（1）为解决现有过采样算法中存在的未考虑类内不平衡、未选择要进行过采样的样本、去除噪音,以及合成过程中存在样本重叠和分布“边缘化”等问题,提出改进的过采样方法AGNES-SMOTE。该算法的关键是使用AGNES算法分别对多数类和少数类样本聚类,划分少数类簇。接着提出了采样权重和概率分布的概念,根据采样权重确定每个少数类簇中需要合成的样本数目以达到数据的平衡,接着计算出每个少数类簇的概率分布,再由其分布采取轮盘赌对样本进行选择,该样本再结合其近邻样本去合成新样本。同时在合成新样本过程中,采用质心方式来限制其生成区域。通过实验证明,该算法有效解决了现有过采样算法存在的不足,有效提高了分类器的分类性能。（2）为解决AdaBoost算法存在的弱分类器、加权系数和其样本更新策略的局限性问题,提出了基于AGNES-SMOTE的F-AdaBoost集成算法。该算法思路是,首先初始化原始数据集中的每个数据样本,为它们设置相同的权重值,利用该权重值在原始数据集上进行有放回地采样以得到采样样本集。其次利用AGNES-SMOTE方法在得到的样本集上进行第二次采样,得到平衡样本集并重新分配其样本权重;接着利用加权的平衡样本集来训练得到弱分类器。再利用弱分类器对原始样本集中的所有样本做结果预测,并根据结果计算分类误差率。判断误差率值进行弱分类器加权系数的计算,以及借鉴Focal Loss思想进行样本权重的更新。经过多轮迭代,最终将得到的若干个弱分类器集成强分类器。通过实验证明,该算法有效解决了AdaBoost算法存在的不足,有效提高了分类器的分类性能。实验证明:AGNES-SMOTE算法与SMOTE、Kmeans-SMOTE、Cluster-SMOTE等算法,通过取得的AUC值、F-measure值、G-mean值来进行对比,本文算法结合分类器在不平衡数据集取得较好的指标值,分类效果较好;F-AdaBoost集成算法与AdaBoost、SMOTEBoost、RUSBoost等算法比较,取得的Recall值、Precison值和Gmean值均优于其他算法。