分类分析作为数据挖掘的一个分支,是相对独立和成熟的研究领域,在实际生活中有着广泛的应用场景。在现实生活中存在大量样本数量在不同类别之间相差很大的类别不平衡数据,其中称样本量多的类别为多数类,样本量少的类别为少数类。例如,在信用卡诈骗检测中,诈骗用户是少数类,其它用户是多数类。传统分类算法对类别不平衡数据进行分类时会倾向于将样本划分为多数类。但是需要关注的焦点是少数类,对少数类的分类效果直接决定了分类分析的成败。例如,信用卡诈骗检测,银行特别关注用户诈骗行为识别的准确性,一旦识别错误,欺诈交易会带来巨大的损失。不平衡数据的分类问题由于其分类难度大且与现实问题高度相关,在近年来也越来越受到学术界的重视。为了解决上述问题,本文依据相关研究理论做了如下工作:1.针对类别不平衡数据,基于Adaboost算法进行基分类器选择的实验研究。在分析类别不平衡数据时,基分类器的选择对集成算法的分类效果的影响值得关注。本文选择了决策树分类器、逻辑回归分类器、朴素贝叶斯分类器和SVM支持向量机分类器作为基分类器;除了采用Recall、Precision、F1-measure、G-mean四个评价指标外,还将任务耗费时间作为评价指标;选择了10个UCI数据集作为实验集。实验结果表明,选择决策树分类器作为基分类器,对类别不平衡数据分类任务有不错的分类效果。2.针对类别不平衡数据,构造了基于集成学习和代价敏感的新分类算法——USCensemble算法。通过比较Adaboost及其衍生类算法,分析了各算法的不足。借助Easy Ensemble的算法结构,结合代价敏感思想引入错分代价项及样本权重调节因子项,提出了基于集成学习和代价敏感的USCensemble算法。并且该算法改进了欠采样策略,将欠采样重点放在难以分类的多数类样本上。USCensemble算法在削弱噪声影响的同时,能提高分类器的多样性,从而提升对少数类的识别能力。最后做了实验研究,选择了15个典型的UCI数据集,四个对比算法（Adaboost、Adacost、USCboost和Easy Ensemble）,采用了Recall、F1-measure、G-mean和AUC作为评价指标。实验结果表明USCensemble算法在处理类别不平衡分类任务上具有一定的优势。