现实世界的数据,往往存在分布不平衡的现象,在一些实际应用问题中甚至存在极端分布不平衡的情况,在这类问题中重点关注的是少数类样本的分类结果。关于分布极端不平衡数据分类问题的研究,主要分为数据和算法两个角度,其中前者进一步分为采样、特征和代价,后者通常采用的是集成学习方法。本文主要基于贪心的思想,致力于寻找不同方法的最佳组合策略。本文通过实验对比得出深度森林算法在分布极端不平衡数据的分类任务中具有最好的分类效果。为了进一步提升性能,本文主要从采样、特征和代价三个角度研究如何改进深度森林算法,主要工作如下:（1）从采样角度来说,数据重采样是处理不平衡数据分类任务的一种有效方法。本文将混合采样方法与深度森林算法相结合,在使用过采样方法添加少数类样本的同时使用欠采样方法消除噪声样本,从而增加有效的少数类样本信息。实验结果表明该方法相比仅采用过采样或欠采样方法,拥有更好的分类效果。（2）从特征角度来说,数据分布的不平衡往往伴随着特征分布的不平衡,从而导致特征层面的信息分布不均匀,可以使用特征选择方法挑选出合适的特征子集增大少数类样本与多数类样本的区分度。本文基于常见的异常检测算法提取新的特征加入到原始数据中,提出一种基于Top-K贪心改进的特征提取及选择的深度森林算法。实验结果表明该方法在所有方法组合中具备最好的表现。（3）从代价角度来说,代价敏感学习是处理分布不平衡数据的分类问题的常用方法之一。深度森林采用的是级联结构,每一层都包含多个基分类器（通常来说这里的基分类器采用的都是决策树森林）。本文将代价敏感直接学习与深度森林算法相结合,提出一种基于代价敏感的深度森林算法。实验结果表明,引入代价敏感因子的深度森林在分布极端不平衡数据中相比其他的代价敏感方法具备更好的表现。