随着信息技术的不断发展,各行各业的信息化程度越来越高,机器学习也逐渐运用到各行各业中去。其中,不平衡分类问题由于其出现的广泛性越来越受到人们的关注。不平衡分类问题是指在分类问题中,属于不同类别的样本之间存在明显的数量差异的问题。在实际应用中,人们往往更关心其中的少数类别,如风险检测、疾病检测等。而由于样本分布不均匀,直接使用分类器进行训练,容易造成分类器分类结果更偏向于分类为多数类,从而影响其应用价值。对于不平衡的数据集,常用的方法是采用上采样或下采样将其转换为平衡的数据集后再进行分类。其中上采样采用复制少数类样本或人工生成新的少数类样本的方式增加少数类样本的数目,以获得平衡的数据集。该类型方案由于使用了人工生成的样本,可能会引入新的噪声而降低最终的分类器的效果。下采样则采用抛弃部分多数类样本的方式来达到平衡数据集的目的,该类型的方案虽然没有引入人工样本,但由于抛弃了大量多数类样本,可能会损失样本中包含的部分重要信息,导致降低了最终的分类效果。本文基于下采样的思想,提出了一种基于哈希的下采样的多分类器算法来解决不平衡分类问题。该方案采用多分类器融合的思路,使用基于哈希的方法对多数类样本进行划分,并通过带权采样的下采样方式构造出多个具有差异性的训练样本子集。该方案充分利用了绝大多数的多数类样本,克服了下采样中损失大量样本信息的缺点。多组不同的对比试验,从样本划分方案、权重分配方案的角度对比分析了本文算法的表现和优点,与其他下采样算法在多个数据集上的对比表现,验证了本文算法在高不平衡的数据集上和规模较大的数据集上有更好的分类性能和更高的训练效率。此外,在基于家中传感器的行为识别问题中,本文将所提出的基于哈希的下采样的多分类器算法与随机敏感自编码器相结合,给出了相应的解决方案,展现了所提出算法良好的泛用性和可扩展性,也通过对比实验表明所提出的方案能有效的解决基于家中传感器的行为识别问题。