不平衡数据是指数据集中属于某一类别的样本量远超过其它类别的样本量,即所属不同类别的样本量间存在较大差异。研究人员常把在数量上处于劣势的样本称作正类样本,而把数量较多的样本称作负类样本。由于正负类样本量相差悬殊,特别是正类样本量过少,会导致样本携带的信息不能充分被表达,此时若使用传统的分类算法对其进行分类,其结果往往并不理想。因为分类器更倾向于将正类样本误分到负类样本中,从而使得分类器对正类样本的识别能力较差。本文针对不平衡分类问题进行深入研究,进而找到解决该类问题的突破点,并使用随机森林算法作为分类器模型。SMOTE(Synthetic Minority Over-sampling Technique)算法是经典的从数据层面解决不平衡分类问题的方法,但是该算法在合成样本时容易存在样本盲目性和边缘化等问题,正是由于这些问题的存在,常使得一些分类算法在该类问题上的表现较差。首先,本文针对SMOTE算法的不足,提出了一种新的数据平衡化方法,即CT_SMOTE算法(Centralsample-Twice interpolation SMOTE)。然后,综合考虑整个不平衡数据集并结合过采样和欠采样的优点,提出了 CT_SMOTE+TL2混合算法,该混合算法不仅能有效解决SMOTE算法合成样本时的盲目性问题,而且能更好地缓解样本边缘化问题,进一步改善了数据集的不平衡性。最后,基于改进算法建立了随机森林分类模型,该分类模型提供了一个解决不平衡分类问题的框架。实验结果表明,本文提出的CT_SMOTE算法和CT_SMOTE+TL2混合算法在处理不平衡数据方面具有一定的优势,从而可以提高随机森林算法的分类性能,使得分类器更加关注对正类样本的识别,进而达到预期的分类效果。本文的内容在学术研究与实际应用价值等方面均具有重要意义,并且提出的改进算法具有良好的稳定性,能够应用到更多具有不平衡问题的领域中,比如医疗诊断、异常检测等领域。