随着我国葡萄酒业的逐步发展,葡萄酒生产企业的规模和数量不断扩大。但中国的葡萄酒业仍面临着进口酒的激烈竞争以及质量检测体系不明确带来的市场紊乱。针对这些问题,本文分析了葡萄酒质量人工品尝存在的不足,并提出了如何提高基于数据挖掘技术的葡萄酒质量等级的识别率,对中国葡萄酒市场的稳定发展以及更好地酿造出高质量的葡萄酒有着实际的应用价值。在数据挖掘中,经常会遇到不平衡数据的分析。相对于多数类来说,少数类样本对准确率的影响力小,这意味着对所有样本进行分类,可以在不识别出任何少数类样本的情况下得到很高的正确率,识别少数类的分类规则也就被忽略了。本文的创新点在于从不平衡样本中提取平衡样本进行建模并对测试样本预测,进行多次的循环,得到多次的预测结果,选择次数出现最多的预测结果作为最终的预测结果,大大提高了低质量葡萄酒的识别率。基于此抽样建模方法,本文首先对判别分析、支持向量机、分类回归树以及随机森林在葡萄酒质量识别能力进行了比较分析,其中随机森林的预测效果最好,整体识别率以及低质量葡萄酒识别率最高,且模型较为稳定；其次,采用随机森林确定变量重要性,变量重要性排序结果发现,硫酸钾和酒精的重要性最高,硫酸钾和酒精的含量增加,更容易使得此种葡萄酒质量的提升,为酿造师酿造出更好的葡萄酒提供重要的信息；最后,本文将异常点的检测方法应用于进口酒的低质量葡萄酒的检测,遗憾的是,低质量葡萄酒的识别程度有限,仅识别出30%左右的低质量葡萄酒样本,只能辅助低质量葡萄酒的识别,实证结果表明,基于异常样本的低质量葡萄酒的识别率提高了。