在现实机器学习任务中,不同类别的误分类代价往往不同,为此以最小化总体代价为目标的代价敏感学习成为一个重要研究分支。考虑到在现实任务中获取精确的误分类代价往往很困难,研究者们对基于代价区间的学习方法进行了研究。另一方面,近年来的研究结果显示,与传统的大间隔方法相比,以优化间隔分布为目标的新型学习模型具有更强的泛化性能。基于上述考虑,本文对代价区间敏感的最优间隔分布学习进行研究,并得到了如下创新成果:1.提出了一种以最小化总体代价为目标的大间隔分布学习方法CSLDM。在现有大间隔分布方法LDM的基础上,根据不同类别的误分类代价调整形式化目标中的损失函数,使误分类代价较大的训练样本招致更大的损失。实验结果表明,优化间隔分布能显著提升代价敏感学习的泛化性能。2.提出了一种代价区间敏感半监督大间隔分布学习方法cisLDM。通过最小化最坏情况和平均情况下总体代价进行代价区间敏感学习,同时引入对无标记样本的损失函数和间隔分布的优化来利用无标记样本。实验结果表明,cisLDM能有效地利用无标记数据进行代价区间敏感学习。3.提出了一种代价区间敏感最优间隔分布学习方法CIODM。通过引入梯度和非梯度优化相结合的框架,能够更加高效地在给定代价区间信息的条件下优化间隔分布。实验结果表明,CIODM的的性能显著优于以往的代价敏感学习方法。