随着人工智能及信息采集技术的发展，信息资源呈现爆炸式增长，但是这些数据往往表现出分布高度失衡的问题。更严重的是，由于传统的分类器大都是针对平衡数据进行分类的，在分类的过程中考虑的是整体准确率，因此在处理失衡数据时，分类模型往往更倾向于分类多数类样本，在一定程度上忽略了少数类样本的准确率，导致模型在少数类样本上的分类结果很差。与此同时，许多数据本身包含隐私信息，如医疗数据等，使用这些数据训练出来的模型可能包含一些训练数据的敏感信息，攻击者或黑客可以以直接或间接的方式来揭露这些信息，导致隐私信息外泄。
　　为了减缓这些问题带来的影响，在研究了大量传统失衡数据处理方法和隐私保护方法的基础上，本文针对可穿戴设备的医疗心电数据提出了相应的算法。
　　首先，为了能够快速、有效的处理失衡数据，本文提出了一种基于贝叶斯和信息熵的失衡数据主动平衡方法，该方法能够尽可能多的保留多数类样本中信息丰富、有价值的数据，去除信息含量少的次要数据，而且整个过程的时耗短。
　　其次，为了能够减少分类过程中的时耗，本文又提出了一种基于决策树和熵的失衡数据主动分类方法。该方法将失衡数据的平衡处理过程和分类过程合二为一，在失衡数据的平衡处理之后不需要重新训练新的分类器，达到减少时耗的目的。
　　最后，为了保护隐私数据分类模型的隐私信息，本文提出了两种隐私保护分类方法，一种是使用传统的机器学习算法随机森林，决策树和PATE(Private Aggregation of Teacher Ensembles)框架。另一种是基于修改的卷积神经网络。这两种隐私保护方法满足差异隐私保护的要求，可以更好地保护私人信息，而无需设置特定的假设攻击和背景知识。
　　所提出方法在九种UCI标准数据库数据集和PhysikalischTechnischeBundesanstalt(PTB)心电诊断数据中，主动平衡和分类方法在G-mean，F1度量，准确度，处理时间上获得了优于传统方法的结果；隐私保护方法分别能够加入60和120的噪声尺度，提供更好的隐私保护性能，实验结果证明了所提出方法的有效性和可靠性。