面向失衡数据集的分类问题是数据挖掘与机器学习领域中最具有挑战性的热点研究问题之一。近年来，随着计算机技术的发展和信息化的进步，越来越多的决策需要数据的支持。在大数据时代的背景下，基于数据挖掘技术的分类问题成为企业快速决策、精准营销和提高综合竞争力的有力手段。失衡数据集是现实领域中存在的一种数据形态，真实客观的描述了某些事物本质的特征，即大量数据中只有很少的一部分是人们所格外关心的，而这部分数据却往往隐藏在大量的数据之中，难以被准确的分类。失衡数据集分类问题是数据挖掘领域中的一个难题，很多适用于传统分类问题的常用分类策略并不能很好的处理这一问题，因此引起了全世界各国专家学者的极大重视。本文首先介绍了失衡数据集的概念，介绍了各国专家和学者在失衡数据集分类问题领域的研究进展，阐述了失衡数据集分类困难的原因和目前普遍采用的解决方法以及分类器的性能评价指标。在充分考虑到失衡数据信息匮乏，数据淹没和采样后信息损失等因素的基础上，提出了基于聚类簇边界采样的失衡数据重采样策略。并结合基于支持向量机的集成学习方法，从数据端和算法端两方面提出了失衡数据集分类问题的解决策略。在实验构建与分析部分分别用四种典型形态的失衡数据集验证了该策略的有效性和稳定性。最后，结合集成学习方法将失衡数据集分类问题应用到了电信客户关系预测领域，使用真实的电信客户关系数据把具体的采样和分类策略集成到应用系统当中，取得了较好的分类效果。