不平衡数据广泛存在于现实生活中。在这样的数据集中,数量上相对稀少的少数类本数据往往是人们所特别关注的重点。在不平衡数据中,少数类数据通常被大量的多数类样本所包围,传统的分类算法因为不平衡数据集中各类内样本数量上严重的倾斜和分布不均衡已变得不太适用,虽然在分类精度上能达到一个很高的水平,但远没有取得人们预想的分类目的。上采样技术是处理不平衡数据集分类的一个重要研究方向。在所有的上采样技术中SMOTE算法以及该算法的改进版本BSMOTE是特别有代表性的两个方法。SMOTE算法通过少数类内部样本之间使用插值的方法合成新的少数类样本,以期达到类间数据平衡的目的。但是,SMOTE算法在生成新样本的过程中仍旧存在着如生成的新样本可能会成为噪声点、生成的新样本大多位于原小样本密集的区域,不能改变少数类分布稀疏的情况等问题。因此为了进一步提升少数类的分类精度,本文在BSMOTE算法的基础上提出了一种新的上采样方法Distance Based SMOTE,以此来进行新的少数类样本生成。新算法DBSMOTE在生成新样本的时候不会选取多数类样本作为合成新样本的数据来源,而是只选取边界样本同其最近多数类样本的中间点作为新样本合成的来源。既拓宽了少数类的分类边界,又降低了生成噪声数据的可能性。同时,在合成新样本的时候将待合成点的距离参数考虑进去,待合成点两点间的相隔距离越长获得样本生成数量越多,距离越短合成新样本的机会就越少,这样在分类算法中能使位于少数类中样本稀疏区域的边界样本更多关注,以此均衡少数类内部数据分布不均衡的问题。根据多个不平衡数据集上的实验表明,本文提出的算法可以有效的解决上诉SMOTE和BSMOTE算法中存在的问题,有效的提高少数类样本的分类准确率。经过DBSMOTE处理后的不平衡数据在性能评价准则F-measure和AUC上总体表现最好,取得了良好的分类效果。