现代社会是一个信息社会,每时每刻社会中都会产生大量复杂的数据,而如何从数据中获取有价值的信息是人们一直探求的。在处理分类数据集时,实际数据集中经常会出现类不平衡现象,即某一类数据比例远远大于其他类比例。这其中尤以多分类不平衡问题最为常见,但传统的分类算法都是基于平衡数据集设计的,因此多分类不平衡数据的分类问题是一项非常具有实际意义的研究课题。对多分类不平衡问题的解决策略可分为数据预处理和算法层面,重采样方法用于数据预处理阶段,而对集成学习方法的改进是基于算法层面的重要改进之一,本文的研究工作主要围绕以上解决策略进行,主要包括:（1）Mahalonobis Distance-based Over-sampling（MDO）是一种新颖的过采样方法,该方法使得新合成的少数类样本具有形同的马氏距离,保持了样本集合整体协方差不变。但该方法选取的少数类样本合成空间容易导致相互重叠,合成出的少数类样本仍然有过度重叠的问题。为了解决MDO合成少数类样本容易过度重叠问题,增加平衡后样本的区分度,使得平衡后的数据样本与原始样本集合更一致,本文提出了改进的过采样方法——Improved Mahalonobis Distance-based Over-sampling（IMDO）。IMDO算法采用Fisher判别准则进行样本点投影与合成,选择组内方差最小,组间方差最大的方向投影合成,有效降低了侵入其他类空间进行少数类样本合成的风险。（2）在集成学习方面,随机森林是一种优秀的集成学习方法,采取Bagging袋装,多数投票决定最终分类结果,有效减小了分类结果的方差,但分类误差却并未得到有效减少。对于随机森林算法对误差降低有限的问题,采取了随机森林进行二次加权的方法,得到加权随机森林（WRF）。根据每棵树的叶子结点分类正确率,采用线性加权方式,重新赋予每棵树不同的权重,让分类效果好的树在森林中保持较大的权重,降低分类错误率高的树权重。这样在最终投票时,能提高分类效果。（3）将IMDO和WRF两种方法进行结合,形成了本文最终的混合集成处理技术IMDO＿WRF,该方法能有效适用于处理多分类不平衡数据集。本文选用了ACC、MAUC、F-measure、G-mean、Precision和Recall六个指标,并在10个多分类不平衡数据集上设计实验来衡量算法的性能,实验结果验证了IMDO＿WRF相比其他不平衡数据处理技术具有显著的优势与稳定性。