越来越多的企业利用机器学习中的分类技术来分析各种商业数据,从中提取有价值的信息。这些商业数据中的大部分数据是正常类数据,少部分数据是异常类数据。大部分的商业数据都是不平衡的。因此,不平衡数据分类问题一直以来都是机器学习领域的一项重要研究课题。目前为止,不平衡数据分类方法主要分为数据层和算法层两个方面。本文分别基于数据层的数据合成思想和算法层的集成学习思想,提出了两种用于结构化数据不平衡处理的方法。本文的主要研究工作如下:首先,本文阐述了不平衡数据分类问题面临的挑战,详细介绍了解决此类问题的主要思想和方法,包括几种经典的数据不平衡处理算法、常用分类方法的基本原理和不平衡数据分类的评价指标。其次,本文针对结构化不平衡数据集中,少数类样本数量缺乏的问题,提出了基于循环一致生成对抗网络的数据层不平衡处理方法。该方法通过结合孪生数据对和循环一致生成对抗网络,对少数类样本的多维度特征进行拆分重组,以实现数据合成。合成的少数类样本在完整保留了原始少数类样本的特征分布的同时,增加了少数类样本的数量和少数类样本组合特征的多样性。为了使循环一致生成对抗网络能进行结构化数据合成,本文对其进行了两点改进。其一,基于结构化数据设计了孪生数据对,并将其作为循环一致生成对抗网络的输入。其二,结合原始循环一致生成对抗网络结构设计了结构化数据合成流程。之后,本文通过实验验证了该数据层方法针对结构化数据不平衡处理的有效性。最后,本文针对结构化不平衡数据分类任务中,多数类易过拟合、少数类拟合困难的问题,提出了基于聚簇的异质集成不平衡分类方法。本文使用可以进行聚簇数据量控制的K均值聚类算法进行聚簇划分,并使用收敛稳定的遗传算法来对异质集成的分类器权重进行多目标优化。聚簇划分降低了数据集的局部不平衡,且不同聚簇的特征分布差异较大,保证了基分类器的差异性,从而提高了整体集成分类的表现。基分类器基于不同的分类器异质集成,以进一步提高模型整体分类性能。之后,本文通过实验验证了该算法层方法针对结构化数据不平衡处理的有效性。