不平衡数据的分类问题一直是机器学习与数据挖掘的共同课题。在传统的学习过程中,分类器大多在不平衡比例接近1的数据集上进行分类研究。然而在实际应用中,数据集的不平衡比例往往较大,分类器为了降低判别损失率,在分类过程中就会偏向多数类样本,从而影响分类结果。随着研究的不断深入,许多针对不平衡数据的算法被提出,有效降低了数据不平衡性对分类器性能的影响。本文从数据层面的算法入手,对不平衡数据的分类问题进行研究与改进,主要工作如下:（1）针对噪声样本会影响分类效果和合成少数类过采样算法（Synthetic Minority Oversampling Technique,SMOTE）抗噪能力较差等问题,提出了降噪过采样算法。该算法首先从样本位置与近邻信息两方面考量噪声样本,对少数类进行噪声滤除,之后引入K-Means++算法,从聚类中心出发合成少数类样本,获得类间平衡的训练集,最后对该训练集进行训练。通过在21个KEEL不平衡二分类数据集上进行实验,分别使用支持向量机（Support Vector Machine,SVM）和多层感知机（Multilayer Perceptron,MLP）分类器进行分类,将改进算法与SMOTE以及已有的一些过采样方法进行效果对比。实验结果表明,降噪过采样算法不仅有一定的抗噪能力,还能够提升分类器的整体分类效果。（2）针对基于径向基的过采样算法（Radial-Based oversampling,RBO）在合成样本时易合成重复样本的问题,引入Levy飞行原理,提出基于Levy飞行改进的径向基过采样算法（Levy Flight and Radial-Based oversampling,LRBO）。实验基于21个不平衡数据集,将LRBO与无过采样方法、RBO算法以及一些已有的过采样算法进行采样效果与分类效果对比,对采样效果图及各个分类评价指标进行分析。实验结果表明,在二分类不平衡数据集的分类问题中,过采样技术能够提高分类器对少数类样本的偏向;相较于RBO,在使用SVM和MLP分类时,平均F-score值分别提升了1.3和7.7个百分点,G-mean值分别提升4.8和5.6个百分点,AUC值分别提升2.2和2.4个百分点,说明LRBO能提升分类器的少数类样本分类准确率以及整体分类效果。（3）针对多类不平衡数据的分类问题,提出基于Levy飞行与径向基的多分类过采样算法（MC-LLRBO）。该算法将LRBO扩展到多分类问题研究中,并引入线性判别分析降维算法（Linear Discriminant Analysis,LDA）,提高过采样效率。实验基于16个KEEL多分类不平衡数据集,将本文算法与MC-RBO以及一些具有代表性的过采样方法进行效果对比,对实验数据进行分析,来证明改进算法的有效性。实验结果表明,与其他过采样算法相比,MC-LLRBO能够降低分类器将某一类少数类样本全部错分的概率;在使用SVM和MLP分类时,平均m AUC比MC-RBO分别提高了12.9和1.5个百分点,说明MC-LLRBO能提升分类器的平均分类能力。