粮食损失浪费与我国节粮减损的重大战略以及国家粮食流通环节的产业绩效息息相关,减少损失浪费一直是我国粮食流通行业的关键任务。目前,粮食行业在产后损失环节积累了充足的数据,如何有效的分析这些损失数据,为研究粮食损失评估方法以及为节粮减损提供有价值的信息值得探索。粮食损失数据具有多属性且不平衡的特点,而随机森林算法在处理多属性数据方面,相比于决策树等算法表现出训练速度快,准确率高的特性,在分析研究中被广泛应用,但该算法在对多属性不平衡数据的分析研究上还表现出一些弊端,仍有研究和优化的空间。为更好的解决粮食损失不平衡数据的分析研究问题,本文在相关研究的基础上先提出了一种随机森林处理不平衡数据的优化方法,并在标准数据集上验证其可行性,再针对粮食损失不平衡数据进行具体的分析研究,最后拓展分析建立了粮食损失预测模型。本文的工作有以下几个方面:(1)首先,通过粮食损失问卷系统收集存储了粮食损失项目的相关数据,分析发现粮食损失严重程度分布不均,粮食损失数据具有不平衡的特性,于是结合随机森林算法对不平衡数据的处理情况,本文对相关工作进行了总结,为后续算法优化及粮食损失数据分析研究做好准备工作;(2)其次,为更好解决粮食损失不平衡数据的研究问题,考虑平衡数据集来优化随机森林处理不平衡数据的效果,文章提出一种优化过采样的RockSmote随机森林算法;RockSmote-Rf算法的思想是先对不平衡数据中的小类数据进行聚类,并基于修正的公式进行过采样合成新样本以平衡数据集,在此基础上进行随机森林算法的分类研究,通过实验选择UCI的5组标准数据集验证算法的可行性,并在每一份数据集上对比了单一随机森林算法、单一决策树算法以及SMOTE随机森林算法分类的准确率,实验结果证明了本文优化算法的有效性;(3)最后,针对粮食产后损失项目获取的数据进行了具体的分析研究。一方面基于优化不平衡数据处理的随机森林算法对粮食损失程度进行定性评估,了解粮食产后损失程度、得出粮食产后损失重要影响因素,并将本文提出的粮食产后损失评估方法与已有学者使用的分析方法做了对比,得出本文所述粮食损失分析方法的优越性;另一方面在定性损失评估的基础上进行拓展,融入农户的外部信息因素,建立一种定量的粮食损失预测模型;本文也构建了粮食损失系统对粮食损失数据存储及分析方法进行了可视化展示。