失衡数据集是指在某个数据集中存在着某一类样本的数量占据了总体样本的大部分，这类数据样本被称为负例样本，而只占总体样本的小部分的样本则被称为正例样本。失衡数据集不仅在经济学、生物学，医学等诸多领域中有着广泛的应用，而且也是数据挖掘和机器学习领域中的研究热点。由于传统的数据挖掘和机器学习分类方法总是要求数据集中类分布情况是平衡的，追求的是整体分类准确率，这意味着对于失衡数据集中数据样本进行分类时会导致分类器的准确率下降甚至失效。因此，如何能够提高分类器处理失衡数据集整体样本的正确分类和数据集中正例样本的分类精度成为数据挖掘领域中的一个研究重点。本文首先介绍了失衡数据集的概念、影响失衡数据集分类准确性的因素、处理失衡数据集分类问题的分类方法、分类器性能的评价指标以及集成学习的理论和集成学习的基本算法，对常用的集成学习模型bagging进行了深入了解。本文提出了基于knn动态阈值样本剪枝的策略来解决失衡数据集中大量的负例样本信息对正例样本信息造成的数据淹没现象以及正负例样本的数据混叠现象对分类器模型造成的问题；针对失衡数据集中属性数据值的缺失问题，提出了基于knn方法来解决数据集中缺失的属性数据缺失信息的填充。在实验实现与分析部分使用了具有代表性的失衡数据集的数据形态验证了提出方法的有效性和可行性。最后，在信用卡欺诈检测的领域上使用真实的数据结合随机森林和bagging集成学习方法，从解决失衡数据集的数据方面和算法方面提出了解决方案，集成到应用系统中并取得了较好的分类效果。