机械设备运行时,由于故障状态时间远小于正常状态时间,使得故障样本数量远小于正常样本数量,造成样本间数据不均衡现象。在进行故障诊断时,分类器倾向于将测试样本判别为多数类,而忽视少数类样本,从而导致对故障样本的分类效果差。当前研究多针对不均衡数据集的二分类问题,但实际工程中,故障形式多种多样,即为多分类问题。因此,本文以往复压缩机为对象,对不均衡数据集下多故障识别进行了研究,主要内容如下:(1)针对冗余特征影响小样本数据分类准确率,且传统的基于互信息(Mutual Information,MI)的特征选择方法难以有效选取目标特征的问题,提出基于互信息的非监督式特征选择方法。通过选择类间差异度最大的目标特征、筛选有效的非目标特征以确定特征子集。对往复压缩机气阀数据进行特征选择,结果表明经过特征选择后的样本数据聚类效果优于未经过特征选择的样本数据。(2)针对分类器难以对少数类样本进行充分训练的问题,采用人工合成少数类过抽样技术(Synthetic Minority Over-Sampling Technique,SMOTE)对不均衡数据进行上采样。分析了SMOTE的采样率、类间不均衡度对分类准确率的影响;对往复压缩机气阀数据进行SMOTE采样,确定了实验数据的采样率:气阀正常、弹簧失效、阀片断裂以及阀片磨损采样率分别为0、0、1、5。(3)针对支持向量数据描述(Support Vector Data Description,SVDD)难以对多类故障进行识别的问题,提出基于可测度的BT-SVDD(Binary Tree,BT)故障识别模型构建方法。计算基于马氏距离的类间可测度,构建二叉树模型,并利用SVDD训练目标样本实现多故障识别。通过BT-SVDD模型对往复压缩机多类故障进行识别,经特征选择和上采样后的BT-SVDD模型对少数类样本阀片磨损分类准确率达到95%。(4)针对传统评价准则难以对不均衡数据下多分类问题进行综合有效评定,提出不均衡数据下基于误分代价矩阵的评价准则。提出误分代价矩阵概念,得到不均衡数据下多分类问题的综合评价指标,并应用于往复压缩机分类结果中,相比BP(Back Propagation,BP)、SVM(Support Vector Machine,SVM)、BT-SVDD,本文提出方法的综合评价指标分别提高了0.051、0.043、0.019。