由于不平衡数据在现实案例中越来越普遍,因此成为数据挖掘领域的热点。现有的常用分类算法,在对不平衡数据做分类时,效果并不理想,主要表现为将少数类错判为多数类。但是在很多现实问题中,少数类样本才是需要关注的对象。因此,研究不平衡数据的分类问题,特别是提高分类器对少数类样本的识别能力,不仅具有理论意义,更具有现实意义。解决不平衡数据分类问题,主要有两个研究方向:数据层面和算法层面。本文从数据层面入手,设计了 NSSMOTE算法,通过上抽样及对部分多数类样本的类别修改,重构数据集。该方法是基于SVM的第一次分类结果,根据SVM得到的分离超平面,由此生成每个样本到分离超平面的距离,并根据距离远近赋予各个样本不同的权重;再借鉴SMOTE的随机线性插值的思想,随机抽取K个样本,按样本权重求和合成新样本,以此达到扩充少数类的目的。实验表明,经由NSSMOTE算法处理后的数据,与原始数据,SMOTE,ROS算法,BSMOTE算法,ADASYN算法相比,分类性能指标F1和G-mean均有一定提升。