当前,大数据抽样技术已成为分析研究的热点。分类大数据在经济数据中占比庞大,是大数据分析的重要对象,而实际分类数据常表现为类间不平衡性,采用传统的随机采样方法将影响分类算法结果,同时大数据自身的复杂性也给数据分析带来挑战。为解决不平衡分类大数据在分类学习中面临的三个主要问题,本文分别采用如下手段解决,并提出一种不平衡分类大数据的网格边界域抽样算法NGBM。（1）为解决分类数据的不平衡性造成的正类准确率降低问题,本文采用基于边界域和非边界域的混合采样策略。本文从数据分布层面,通过混合抽样策略解决分类大数据的不平衡问题,提出基于边界域识别的混合抽样策略。（2）为解决大数据自身特性带来的分析问题,本文提出降低大数据复杂特性的网格单元化处理,使得庞大繁复的数据样本点对应到个网格空间中,降低分类大数据的分析难度。（3）为解决分类大数据抽样中的边界识别问题,本文提出基于近邻关系的网格边界域识别方法,将网格单元分为边界单元、非边界单元和噪声单元,并指导混合采样策略。本文提出的不平衡分类大数据的网格边界域抽样算法NGBM主要步骤为:首先扫描数据空间,将总体数据集内个样本点映射到网格空间内,并根据设定的质量函数、近邻关系和边界阈值,按照边界度计算方法,计算每个网格单元在第维上的左、右边界度;其次,根据判断标准,将单元划分为边界单元、噪声单元和非边界单元;再次,将同类型单元内样本点分别合并为样本集,采用混合抽样策略:对于边界域样本集内正类样本进行SMOTE过采样处理,对非边界域样本集内负类样本进行随机欠采样处理,使总体数据的抽样子集成为平衡分类数据集;然后,若此时子集规模较大,采用简单随机抽样缩减子集规模,使之成为保留了总体重要信息的小规模数据集;最后,对抽样子集进行不加权的分类学习,重复次,计算评价指标平均值。在实验阶段,通过C4.5决策树分类学习器,采用准确率、召回率、F1-score、G-mean、KS值、AUC和调整兰德系数作为评价指标,对比随机欠采样和SMOTE过采样方法,分析本文算法NGBM的可行性。在多种分布和不同不平衡度的模拟数据集和真实数据集中,本文算法均获得良好的表现。