随着数据存储能力的日益强大,以及数据生成和收集技术的进步,现实应用中产生并收集了大量的数据。其中,类别分布不平衡数据集广泛存在于各个领域,传统模型应用于不平衡数据分类往往会失效,是因为它们是建立在各类别样本数量相等且误分类代价相同的前提下。如何从类别不平衡数据中挖掘信息并进行模型构建吸引了越来越多研究人员的关注,随之提出了大量针对不平衡数据分类的方法。然而,当面临数据极度不平衡、正负样本重叠严重和噪声多等应用场景时,普通的不平衡处理方法也将失效。本文从数据场景出发,深入研究在极度不平衡数据分类过程会面临的类别偏好问题、信息丢失问题和过拟合问题,分别探索了自步学习理论在不平衡分类领域的应用以及类重叠区域样本的重要性,提出了一种全新的框架——动态自步集成（DAPS）,其中主要包括两个重要步骤:（1）通过动态自步采样来最大化挖掘样本信息以防止信息的丢失;（2）为样本施加适当的权重来解决噪声样本和过拟合问题。本文的主要贡献可以概况为以下几点:1.设计了一个用于训练样本选择的动态自步采样机制,它能够在极度不平衡数据中合理有效地对样本进行采样,充分利用样本信息同时避免过拟合问题。使用了一种特殊的衡量指标来权衡样本在不同分类器、不同数据分布之下的难易程度。2.设计了一个处理类重叠和噪声样本的样本加权机制,能够帮助模型识别类重叠区域样本,通过对这部分样本施加不同的权重来加强重要样本学习,削弱噪声样本学习。3.提出了一个全新的动态自步集成框架DAPS。模型主要针对极度不平衡、正负样本重叠严重和噪声多等数据问题,大多数现有的规范分类器（如决策树、随机森林和梯度提升等）都可以集成在模型中。在合成数据集和三个真实世界数据集上的综合实验结果表明,与大量已有模型相比,DAPS模型可以获得较大的精度改进。