由于传感器技术、通信技术、数据存储技术等的飞速发展,硬件软件的同步推进,各领域产生并存储了大量数据,数据的有效利用成为了研究与实践的热点,数据挖掘可以提取出数据中蕴含的重要信息,其中,分类是应用较为广泛的一种关键算法。但是,与理想情况背道而驰的是,现实中的数据往往存在着类别不平衡的问题,即属于某一类别的样本数量显著小于其他类别样本的数量且少数类的误分代价往往高于多数类,这挑战了传统分类技术的既定假设——各类别样本数量相当且误分代价相近,并直接导致了传统的分类技术在对不平衡数据进行处理时存在分类效果不佳,关键类别——少数类样本分类错误率过高的问题。因此,针对不平衡数据提出相应的处理办法有重大的理论和现实意义。本文针对不平衡数据集提出基于混合模型的处理办法,从数据整体布局入手,能够较好克服其他重采样方法所存在的模糊边界、合成样本质量不高等问题。本文可能的创新点有:第一,应用狄利克雷过程混合模型模拟多数类样本分布,将重采样算法思想与聚类结果相结合,在不破坏数据结构的前提下,根据高斯混合分布参数估计结果,对多数类样本进行欠采样处理,对少数类样本进行过采样处理,提出基于狄利克雷过程混合模型的混合采样算法。第二,将重采样思想与集成学习思想进行融合,提出基于混合模型的集成算法,首先基于狄利克雷过程混合模型拟合多数类样本的结构与分布,并且在不破坏数据结构的前提下对多数类样本进行欠采样,应用随机子空间思想与装袋算法思想,以期提升非平衡数据的分类效果。第三,将所述不平衡数据处理办法应用于信贷违约预测中,并结合信贷的业务特点,提出将经济学理论与统计学思想结合,在进行数据挖掘的同时,合理利用经济数据以期有效提高模型效率,据此提出启发式思考。数据分类过程的模拟结果表明,狄利克雷过程混合模型能够自适应地对数据进行聚类,有强大的描述数据分布的能力。算法性能测试的对比实验结果表明,改进算法有效地提升了对少数类样本的识别能力,并且在信贷数据中有较好的表现。