分类是数据挖掘领域中一个重要的分支,普通的分类模型通常假设数据集中各类别的样本数量差距很小且对于每个类别的误分代价相等,而使用不平衡数据集训练传统的分类器会导致模型对于少数类的预测精度很低,因此不平衡数据的分类问题一直是机器学习领域的研究热点。本文针对面向不平衡数据的分类方法开展研究,引入了基于样本权值的欠采样方法,样本局部密度计算方法以及样本误分代价计算方法,提出了三种面向不平衡数据的AdaBoost改进算法。本文的主要工作如下:（1）提出了一种基于欠采样和代价敏感的不平衡数据分类算法USCBoost（Undersampling and Cost-sensitive Boosting）,算法旨在对多数类样本进行欠采样,并将代价矩阵引入到权重更新公式中,使得错分少数类的样本权重增加更快。实验结果表明USCBoost算法与其他对比算法相比,在F1-measure值和G-mean值上有了显著提高,该算法处理不平衡数据分类具有一定可行性。（2）提出了一种基于样本密度的AdaBoost算法,算法首先使用样本K近邻计算每个样本局部密度,并将两类样本局部密度分别归一化,赋予每个样本权重,然后将其作为AdaBoost算法中的初始值。同时对本文提出的算法进行实验验证,算法对于少数类样本有着更好的识别能力。（3）提出了一种基于孤立森林的AdaCost算法,算法使用孤立森林得到每个样本的异常分数,再根据异常分数计算每个样本的误分代价,算法通过分别计算两类样本的误分代价再进行归一化,使每类样本的误分代价之和都为1,有效的区分了类内样本和类间样本,降低了噪声数据的影响。（4）设计并实现了基于集成学习的不平衡数据分类系统,系统集成了多个面向不平衡数据的集成分类算法和基分类器算法,包括数据集描述,参数设置,分类算法选择,运行结果模块,方便了用户在对于不平衡数据建模时选择更加合适的分类算法以及提高了对于分类算法调参的效率。