近年来,随着人工智能和机器学习在实际生活中的应用,不平衡数据分类问题成为了分类学习的主要方向之一。在实际应用中,比如医学诊断领域、信用卡欺诈检测、网络入侵检测等许多现实中的分类问题都属于不平衡数据分类的研究范畴。然而,使用传统的分类算法对少数类数据的检测精度很难达到一个理想的效果。在数据层面上,经典的过采样算法SMOTE虽然能够随机合成少数类样本消除不平衡,但是该算法在样本合成上是盲目的,没有考虑到样本自身的分布情况,这将会严重影响分类的准确度。因此,本文在SMOTE的基础上提出了一种基于边界和聚类簇可分性的过采样算法。在算法层面上,本文针对多数类样本分布特点提出了一种结合样本密度的集成分类算法。首先针对不平衡数据中过采样算法SMOTE随机生成样本容易合成噪声样本的问题,本文提出一种基于边界和聚类簇可分性的过采样算法。首先通过k离群度找出少数类边界样本点,并通过少数类边界点确定多数类边界点。然后通过k均值聚类将少数类样本划分为多个簇,并计算各个簇与多数类边界样本之间的可分性,从而确定各个簇的权重值。最后根据簇权重确定簇内样本合成个数,使数据集达到平衡状态。根据对UCI数据集在不同的分类器上进行实验,验证了该方法可以有效提高不平衡数据分类性能。其次为了从算法层面解决不平衡数据分类问题,并考虑到多数类样本分布情况提出了一种结合样本密度以及通过对SVM寻优的集成分类算法。首先结合多数类样本密度对集成学习框架的初始化样本权重值进行计算。然后考虑到基分类器的分类性能,通过人工蜂群ABC算法针对SVM进行参数寻优,得到基分类器。进而通过计算得到的初始化样本权重值以及基分类器进入Ada Boost框架训练得到强分类器。最后根据样本划分选取出多个训练集,分别训练出多个强分类器并根据对应的AUC值通过加权投票的方式组合成最终的集成学习算法。实验结果表明,该方法比同类集成学习算法在不平衡领域分类性能更优。