传统分类模型通常基于数据分布平衡的假设,然而由于数据的自然分布或数据收集等原因,许多现实生活中的数据分布是不平衡的。模糊支持向量机（FSVM）引入样本模糊隶属度,降低了支持向量机（SVM）对噪声或离群点的敏感性,但在面对不平衡分类任务时,FSVM仍会对多数类产生较大的偏向性,导致少数类数据被误判为多数类。此外,当数据分布不规则时,传统的样本模糊隶属度计算方法不能准确反映样本对分类的重要性。针对以上不足,本文分别从算法内部和算法外部两个角度出发,提出对FSVM的不平衡分类改进方法。本文主要研究工作如下:（1）从算法内部出发,提出基于核局部离群因子的FSVM算法（KLOF-FSVM）。利用核局部离群因子（KLOF）在核空间中获取样本的模糊隶属度,并为样本分配对应的隶属度值。当样本处于高密度区域时,该样本大概率为正常类样本,分配较高的隶属度。对于离群点或者噪声点,分配较低的隶属度,降低对分类超平面的影响。KLOF基于样本的局部密度,可以充分考虑数据的分布,为分类提供可靠的先验知识。通过在多个不平衡数据集上的实验表明,KLOF-FSVM具有良好的不平衡分类性能。（2）从算法外部出发,提出基于神经网络和随机特征采样的FSVM算法（DFSVM）。首先结合三元组损失和耿贝尔分布函数,构建用于特征提取的神经网络TG-NN,以获取具有差异性的样本特征。然后利用随机特征采样,在由TG-NN获得的特征空间中生成新的具有多样性的少数类样本;并基于几何中心约束,确保合成的样本更接近少数类,以保持类间的差异性。通过在多个不平衡数据集上与不同不平衡分类方法的对比实验分析和消融实验,验证了DFSVM的有效性。