随着经济不断发展，葡萄酒饮用也越来越普及，但与葡萄酒发展密切相关的品质鉴定手段还停留在单靠品酒师的人工品尝的阶段，显然这已经很难满足当今巨大的市场需求。而随着大数据观念深入人心，葡萄酒物化属性的科学检测手段应运而生，这些都为数据挖掘应用于葡萄酒的品质鉴定带来了硬件及软件支持。本文就通过运用数据挖掘方法，基于葡萄酒的理化属性数据，尝试对葡萄酒品质进行鉴定分类。现阶段，利用数据挖掘对葡萄酒品质鉴定还比较少，并且普遍存在的问题是尽管这些分类器模型的整体准确率并不低，但是对于低品质葡萄酒的识别准确率却很低。而本文在运用Logistic多项模型，Tan神经网络，带偏差项的BP神经网络以及C5.0决策树四种分类算法的同时，不仅仅关注分类模型的整体预测精度，同时也会深入去分析具体到各个品质类别的准确率，发现在高整体准确率的背后，不平衡数据使到分类器忽略了其中的少数类。而本文的创新之处在于运用SMOTE过抽样以及随见丢弃欠抽样的方式结合来平衡数据，并选择出最优的决策树分类模型。并且为进一步从全面提高模型的判定准确率，本文将决策树C5.0结合Boosting技术，形成组合分类器，大大提高预测精度。最后，为更符合实际应用，考虑到现实当中误判成本不均等的情况，采用代价敏感学习方式来优化模型，使得模型在保证整体准确率的同时，大大地提高了低品质葡萄酒的识别率。并且同时也显著降低了误判成本。