随着信息技术和互联网技术的高速发展,人们每天通过网络接收的信息呈几何倍数增长,其中图像信息也随着多媒体技术的不断改进所占比例越来越大。同时,各大企业、政府机构在通过图像分类技术为工作生活增加便利。图像分类的一般步骤分为数据输入、特征提取和分类。其中,图像的特征提取是完成分类任务的重要基础,直接影响分类的性能。另外,某些领域的图像数据分布不平衡也会带来很多问题,不仅会影响分类效果,还可能因为忽略了少数类的重要性,造成一些无法挽回的损失。针对不平衡图像分类中少数类分类准确率低、误分类代价高,以及人工提取特征主观性强而且费时费力的问题,本文提出了一种基于卷积神经网络和代价敏感的不平衡图像分类方法(Triplet-CSSVM)。该方法将分类过程分为特征学习和代价敏感分类两部分。针对特征学习,深度学习中的卷积神经网络(CNN)是一种有效的手段。但存在经典CNN面向的是平衡数据集,使用的损失函数softmax对图像的细节学习不够等问题。因此,本文利用损失函数为triplet loss的卷积神经网络结合重采样方法对图像特征进行学习。不仅能学习到图像更细节的特征,还对数据集进行了一定程度上的平衡化。在训练CNN时,引入迁移学习的思想,在ImageNet上进行预训练后,再在实验数据集上进行微调,解决了实验数据量小可能造成的网络不收敛或过拟合的问题。针对代价敏感分类,传统分类方法大多没有考虑代价信息,很难在不平衡数据集上获得好的分类效果。本文通过给不同类别赋以不同的代价因子,使传统支持向量机算法代价敏感化。代价敏感的支持向量机(CSSVM)的优化目标为使总代价最小。本文在深度学习框架Caffe上使用人像数据集FaceScrub和垃圾邮件数据集personal spam通过改变数据集的分布,进行多组实验。实验结果证明,与传统分类方法相比,本文方法在多种复杂的不平衡数据上都能获得更好的分类效果。