类不平衡数据处理是当今机器学习与数据挖掘领域的研究热点与难点之一。在类不平衡数据分类中,类重叠度、噪声样本、变量维度以及数据共线性等因素都对不平衡学习的性能产生影响。针对这些问题,现有的研究主要是从数据层面和算法层面来处理,但问题仍然没有得到有效的解决。因此,本文引用函数型数据分析方法来处理类不平衡数据,主要从两个方面来研究。一方面,将函数型数据分析方法的思想引入类不平衡数据中。采用B样条基和Fourier基两种数据平滑方法对类不平衡数据进行拟合,选用两种函数型数据分类方法,应用线性判别分析、支持向量机、K-近邻和决策树算法作为分类器对类不平衡数据做分类。由4种评价指标得出,基于函数型数据分析方法的分类精度在整体上有所提高。另一方面,针对变量维度和数据共线性等问题,应用函数型主成分分析和函数型偏最小二乘法两种特征提取方法对类不平衡数据进行降维,并与传统的主成分分析和偏最小二乘法做对比。结果表明,函数型主成分分析的降维效果更好,能以更少的变量包含原数据的绝大部分信息,且基于函数型主成分分析的分类结果优于传统主成分分析的分类结果。在偏最小二乘法降维后选取相同变量的情况下,基于函数型偏最小二乘法的分类精度在整体上有所提高。本文基于数据平滑分析方法和传统分析方法对类不平衡数据分类,通过将两组分类结果进行比较,由4种评价指标得出基于数据平滑分析方法的分类精度有所提高。这表明利用平滑方法将数据拟合成函数型形式,在一定程度上能够消除观测误差,降低噪声样本的比例和类重叠度,从而提高分类精度,尤其是少数类的分类精度,这对类不平衡数据分类具有重要意义。