不平衡数据的分类是近年来机器学习和模式识别领域中的研究热点。在不平衡数据的分类问题中，某一类的样本数目远大于其他类别的样本数目，因此传统的模式识别方法难以取得良好效果。本文在分析研究不平衡样本数据特点的基础上，提出针对不同的数据采样技术，再结合Adaboost算法，实现对不平衡数据的分类。论文取得的创新性成果如下：(1)针对疏采样情形，提出了一种基于样本子集优化的集成学习算法，即SPBoost。首先通过样本子集优化疏采样技术选择出多数类样本的一个子集，得到和少数类样本数量相当的样本，然后和少数类样本组合形成新的数据集，将这种采样技术和Adaboost相结合对不平衡数据进行分类。(2)针对过采样情形，提出了一种基于边界过采样的集成学习算法，即KBOSBoost。首先通过K近邻方法找到分类边界，对边界上的少数类样本进行过采样，得到和多数类样本数量相当的样本，然后和多数类样本组合形成新的数据集，将这种采样技术和Adaboost相结合对不平衡数据进行分类。论文对所提出的两种算法进行了实验论证。在不平衡数据集上的实验结果显示，SPBoost和KBOSBoost优于其他基于Adaboost的算法，表明本文提出的针对不同采样技术的集成学习方法有效的提高了不平衡数据的分类性能。