以机器学习为基础的人工智能领域备受瞩目且在不断影响人们的生活。作为重要的工具,机器学习成功地应用于材料性能预测、网络入侵分析、医疗检测等领域。在机器学习过程中,经常会遇到某类数据量比其他类数据量相差较大的情况,这种情况即被称为数据不平衡问题。在数据不平衡问题中,数据表现为稀疏且分布极其不均衡,目前很多模型在处理不平衡数据时,处理效果并不理想。比如在应用标准支持向量机处理不平衡数据时,通常会关注多数类而忽略少数类,最终使决策边界偏向多数类,导致分类效果不佳。然而在面对实际问题时,往往少数类更具有研究价值,因此以少数类的正确分类作为分类评价标准更具实际意义。本文以支持向量机作为基分类器,在集成学习框架下考虑不平衡数据分类的难度和复杂度,提出新的不平衡数据分类算法。具体工作如下:首先,本文在基分类器构造中将标准支持向量机修改成以高斯核函数为内核的支持向量机,并将标准的集成算法修改成代价敏感集成算法;其次本文通过修改多数类、少数类数据的误分类代价最终使多数类、少数类数据权重保持均衡,保证决策边界不偏向多数类,从而达到良好的分类性能;最后在实验分析阶段,本文选用了UCI数据库中的11个数据集,以准确率、召回率和G-mean作为性能度量指标,对提出的新算法进行评估;并进一步对新算法和现有的多种分类算法的性能进行比较。实验结果发现:本文提出的新算法表现出了良好的分类性能。我们相信本文的工作将为后续不平衡数据分类问题的研究带来积极的促进作用。