TSK模糊模型是众多模糊模型之中最具影响力也是应用最广泛的一种,它具有高可解释性和强大的逼近能力,已经在很多领域得到了成功的应用。但是,在实践中,模糊模型的性能取决于可用数据的数量和质量,需要充分的训练才能获得较好的泛化能力,而集成学习为构建模型提供了一种有效的方法,它通过结合多个学习器来完成学习任务,通常可以获得比个体学习器更加优越的泛化性能。但是当数据不平衡时会导致系统的训练精度下降,泛化能力差。由于少数类样本数量太少,导致模型的准确率更加偏向于多数类,然而现实中存在大量不平衡的数据,这些数据训练错误的代价往往是巨大的,因此提高少数类的训练精度至关重要。因此本文的主要研究对象为不平衡数据的模糊分类集成问题。不平衡数据是指不同类别的训练样本数量差别较大,其中数量较多的叫多数类,数量较少的叫少数类。在现实的医学、经济、工业等分类任务中,类别不平衡的问题广泛存在,如医疗疾病诊断、欺诈交易检测、故障零件检测、自然监测等,这些情形下,数据如果没有人为调节平衡,在使用传统的分类方法时,虽然有利于多数类别的分类,却影响了少数类别的识别,少数类因为数据缺失等原因而使数据的质量大幅降低,导致分类的准确率偏向了多数类,严重影响了分类精度,即便对多数类分类的正确率很高,也无法保证少数类样本的正确率,而这恰恰是需要关注的重点,因此需要使用采样方法来解决不平衡数据的分类问题。在采样方面,Synthetic Minority Oversampling Technique（SMOTE）是一种经典的过采样算法,它基于“插值”为少数类数据生成新样本,从而改变不平衡比例,但它也有相应的缺点,如随机生成样本比较盲目,生成的少数类样本容易与周围的多数类样本发生重叠而导致两类边界更加模糊,且少数类样本分布不均匀,采样后依旧不均匀而影响准确性,基于此对SMOTE算法做出了多种改进,如SMOTE与欠采样结合的方法,先使用SMOTE算法过采样,然后进行数据清洗删除类间重叠的样本。此外还使用模糊C均值（FCM）聚类或其他聚类算法将样本划分成多个簇,在簇内进行插值等。在集成方面,基分类器的选择和所用的集成方法也是影响分类方法的关键因素,本文在上述多种采样算法的基础上,将Takagi-Sugeno-Kang（TSK）模糊模型作为基分类器与AdaBoost算法相结合,多次训练进行迭代更新,最后将各个模型的结果加权结合输出,使各个基模型得到充分的训练,并围绕采样算法的选择和主要参数的优化等方面展开了相关实验,以提升不平衡数据分类的泛化性能。本文选取UCI数据集中的多个不平衡数据集结果进行对比,选取G-means与F-measure作为衡量指标观察各个模型的表现。实验结果表明,论文提出的算法在处理不平衡数据集分类的效果上有所提高。