类不平衡数据处理已成为机器学习与数据挖掘领域的研究热点与难点之一。特征选择是解决不平衡数据维度问题的常用手段,目的是尽可能地保留与少数类相关的特征以提高分类精度。不平衡数据结构的复杂性给后续的特征选择和分类带来了极大的困难,因此,研究类不平衡数据的特征选择以提高分类准确性是非常必要的。过滤法是特征选择最简单且常用的方法之一,使用单一的过滤法进行特征选择往往会使重要特征被遗漏。本文采用十种不同的过滤法对数据进行特征排序,分别为:t检验、Fisher得分、Hellinger距离、Relief算法、Relief F算法、几何平均、F测度、AUCROC、AUCPRC和R值。运用Kendall’s tau秩相关检验十种排序结果的不一致性,得出:不同过滤法的重要特征排序不尽相同,而且很难说一种过滤法总是优于另一种,即基于过滤法的特征选择具有不稳定性,而数据的失衡又致使这种不稳定性加剧。基于上述发现,我们提出秩聚合与再平衡的处理策略。秩聚合可以将多个不同列表拟合成一个最优列表,把最优列表作为特征选择和分类的最终依据。主要的研究内容和结果如下:一方面,本文利用不同类不平衡比和不同维度的模拟数据以及现实医学数据分析了秩聚合特征选择,结果表明,秩聚合算法可以很好的解决排序列表不一致问题,保证重要变量不被筛除。无论是平衡数据还是不平衡数据分类,秩聚合特征选择后的分类结果优于使用单一过滤法。另一方面,为消除数据的不平衡性,采用七种过采样技术使得不平衡数据达到平衡,分别为:SMOTE算法、ADASYN算法、ANS算法、BLSMOTE算法、DBSMOTE算法、SLS以及RSLS算法。从数据结构方面,对八个数据集进行秩聚合特征选择分类处理,结果表明,数据维度、不平衡比和变量间的相关性与秩聚合特征选择分类效果成反比的趋势,秩聚合特征选择使不平衡数据分类精度有所提高。提出二次秩聚合方法,对十种过滤法的秩聚合排序列表进行二次秩聚合处理,结果表明,二次秩聚合比一次秩聚合和再平衡秩聚合分类效果好,二次秩聚合可以弱化不平衡比对于分类的影响,使得分类精度有所提高。此外,利用医学不平衡数据集,进行再平衡秩聚合及二次秩聚合特征选择处理,分类精度均有提高。