现实世界的数据较多地呈现不平衡分布,使用传统分类算法训练不平衡分布数据时会出现少数类识别较差的问题。本文通过对不平衡分布数据分类的特点与难点进行分析,提出一种新型的采样方法、一个加权分析框架以及一种新型的代价敏感损失函数。本文具体工作如下:1)提出一种基于自适应采样的不平衡分布数据分类方法（Adaptive Sampling Imbalanced data Classification,ASIC）。针对传统重采样方法大多使用固定采样策略的问题,该方法根据分类模型在验证集上的表现动态调整训练集上不同类别样本的采样概率,使不同类别样本的采样概率由当前分类模型的需求动态决定。对于当前识别能力较弱的类别,其采样概率较大,相应地拥有更多的训练机会。同时,该方法对少数类别给予额外的关注,在其余条件相同的情况下为少数类赋予更大的采样概率,以缓解少数类本身类内多样性不足对分类模型的影响,从而提高分类模型对少数类的识别能力。此外,由于该方法使用类别在验证集上的分类召回率指导训练集上样本的采样,因此对少数类进行上采样时可有效缓解过拟合问题,从而提高分类模型对少数类的泛化性能。2)提出一种加权分析框架。使用该分析框架,可对不同的代价敏感损失函数的加权策略进行分析。并且,在该分析框架下可以自由地为分类器权重向量以及样本特征设计不同的权重。3)提出一种新型的代价敏感损失函数（Composite Weighting Loss,CWL）。该损失函数同时融合改进后的LDAM Loss以及Focal Loss,既可为不同类别施加不同的间距约束,又可加大分类模型对困难样本的关注度。同时,在损失函数的优化中引入课程学习策略,使分类模型在训练前期较好地学习简单样本,并随着训练的进行更多地关注困难样本的学习,使学习的过程更加平滑,从而提高泛化能力。4)将所提的ASIC采样方法以及CWL损失与常用的不平衡分布数据分类算法在不同不平衡分布数据集上进行实验对比分析。由于ASIC根据分类模型的表现动态调整采样策略,所以使用ASIC采样方法训练的分类模型在平均类准确率以及geometric mean上均比其他方法更好,且数据分布越不平衡,ASIC采样方法的优越性越明显。另外,由于CWL代价敏感损失使用课程学习策略调整对困难样本的关注度,所以相比于其他代价敏感损失函数,使用CWL训练的分类模型对不平衡分布数据的识别能力普遍更好。