传感器网络由于其协同感知与处理的特性，能够实现准确的目标识别，已成为新一代的周界安全防范技术。然而，目前大多数目标识别技术都基于数据分布均衡的假设，在实际应用中存在着巨大挑战。本文工作源于国家科技重大专项，以传感网周界入侵报警系统为应用背景，重点研究目标识别中的数据不平衡问题，主要内容及创新点如下:　　 首先，对系统进行了原理分析与功能抽象，为传感网周界入侵目标识别应用中数据不平衡问题的研究建立了可信方法模型，并从类内分布、特征选择及误分代价三个角度分析了实际应用中不平衡数据的特性。　　 其次，结合周界入侵目标识别应用中不平衡数据类内不一致的分布特性，提出了一种基于聚类边界的样本均衡化过采样改进算法，通过引入融合聚类及最近邻密度的思想，优化了新合成样本的选择与分配策略，使重采样之后的样本更加有利于分类决策。同时，考虑到复杂的周界环境容易引入噪声，算法设计具备一定的容错能力，能够主动检测并排除噪声样本的干扰，提升了算法的稳定性。　　 再次，由于传统特征选择算法难以发现对少数类样本影响显著的特征，通过引入补偿因子，提出了一种面向不平衡数据的特征选择新方法，对少数类样本在特征评估过程中的作用进行补偿，使得有利于区分少数类样本的特征受到更多的关注，从而提升少数类样本和整体样本的分类识别性能。同时将该方法作用于经典的CC和RELIEF算法，提出了两种新的特征选择算法，实验结果表明，改进算法获得的特征子集更加有利于目标的识别。　　 最后，针对传统分类学习算法存在“有偏性”的问题，提出了一种基于元学习的代价敏感SVM改进算法，通过概率估计和代价敏感的重标签过程，使传统SVM算法能够适用于不平衡数据的分类识别。同时，考虑到传感网周界入侵报警应用中类别误分代价的差异性与不确定性，提出了两种最优误分代价的自适应估计方法，提升了研究成果的实用性。