随着信息技术的快速发展,各行各业所创造的数据总量以惊人的速度快速增长。为了能从海量的数据中获得有效的信息,数据挖掘技术应运而生。目前,数据挖掘已被广泛应用于多个领域,在全球竞争、社会生活等方面均发挥了重要作用。但是在实际应用中,人们发现很多数据集的样本并不是均衡分布的。而且,传统分类算法是建立在数据分布均衡的基础上,处理不均衡数据会过多关注多数类样本,难以保证更有分类价值的少数类样本的分类性能。因此,不均衡分类问题成为了亟待解决的问题。不均衡数据的分类问题中,采样算法是较为有效且常见的解决方法,因此本文从采样算法入手进行了深入的研究。本文针对不均衡分类问题提出了三个方法,具体工作如下:（1）本文结合聚类算法提出了合成少数类过抽样算法（Synthetic Minority Over-sampling Technique,SMOTE）的改进算法CSMOTE（Clustered Synthetic Minority Over-sampling TEchnique）。CSMOTE算法抛弃了SMOTE在最近邻间线性插值的思想,在少数类聚类所得簇的范围内合成新样本,并根据样本间的欧氏距离对参与合成的样本进行了筛选,降低了噪声样本参与合成的可能。在多个数据集上,将CSMOTE算法与多个算法进行了对比实验,结果表明CSMOTE算法具有更高的分类性能,可以有效解决数据集中样本分布不均衡的问题。（2）本文从集成学习的多样性入手提出了两阶段采样,并在其基础上提出了一种集成分类算法（Imbalanced data ensemble classification algorithm based on sampling and feature selection,IDESF）。两阶段采样在保证所得数据集中样本合理性的基础上,增加数据集间的差异性以此隐式的提高基分类器的多样性,并且可以平衡数据分布。将IDESF与其他不均衡分类算法在多个不均衡数据集上进行了比较,结果表明该算法可以获得较高的AUCarea和G-mean值,具有较为优异的分类效果。（3）本文将第三章提出的CSMOTE算法与Ada Boost进行了融合,从而提出了一种新的分类算法CSMOTE-Ada Boost。Ada Boost算法可以在算法层面增加难分少数类样本的权重,从而提高少数类样本的识别效果。CSMOTE过采样算法可以增加少数类样本数量,在数据层面降低其不均衡性,从而提高少数类识别效果。因此,CSMOTE-Ada Boost算法可以在数据层面和算法层面同时提高分类器对少数类的关注,从而进一步提高其分类效果。将CSMOTE-Ada Boost在多个不均衡数据集上与其他分类算法进行了对比实验,验证了该算法的有效性。综上,本文提出的算法可以有效解决不均衡分类问题,提高少数类的识别效果。