在很多实际应用中，如入侵检测、医疗诊断和故障检测等，我们要进行处理研究的数据大多数都是不平衡数据集，即某些类别的样本数量远远少于其它类别样本数量的数据集，在大多数情况下，少数类样本中所蕴含的信息量却更值得关注。然而，对不平衡数据进行分类研究时，传统分类方法的分类结果总会倾向于多数类，而对少数类的样本的识别率低。因此，如何有效地改善和提高不平衡数据集中少数类样本的分类精度和分类器的整体性能已逐渐成为机器学习领域和实际应用领域的一个研究热点和难点。支持向量机（Support Vector Machine, SVM）是针对有限样本情况下的、以统计学理论为坚实理论基础的新的机器学习方法。针对支持向量机算法处理不平衡数据时分类精确度较低的缺陷，本文在基于理论分析和实验证明的基础之上提出了三种改进型算法，并将这三种算法集成至一个系统原型中。第一种改进型算法是在聚类权重模型基础之上提出的：分阶段的支持向量机（WSVM）。预处理时，采用K均值算法得到多数类中各样本的权重。分类时，第一阶段根据权重选出多数类内各簇边界区域的与少数类数目相等的样本；第二阶段对选取的样本和少数类样本进行初始分类；第三阶段用多数类中未选取的样本对初始分类器进行优化调整，当满足停止条件时，得到最终分类器。通过对UCI数据集上的实验表明，WSVM在少数类样本的识别率和分类器的整体性能上都优于传统分类算法及相应的改进型算法。第二种改进型算法针对少数类样本合成过采样技术(Synthetic MinorityOver-sampling Technique，SMOTE)在生成少数类新样本时存在的缺陷，提出了一种新的改进型SMOTE算法(GA-SMOTE)。GA-SMOTE算法借鉴遗传算法中三个基本遗传算子的思想和策略，并将其成功应用于SMOTE算法中，选择算子实现对少数类样本有区别地选择，交叉、变异算子实现对合成样本质量和数量的控制。将GA-SMOTE与SVM算法结合处理不平衡数据的分类问题。通过对UCI数据集上的实验表明，GA-SMOTE结合SVM算法在少数类样本的识别率和分类器的整体性能上都优于传统分类算法及相应的改进型算法。第三种改进型算法针对SVM在超平面附近进行不平衡数据分类的不准确性，提出了一种改进SVM-KNN算法，该算法在分类阶段计算测试样本与最优超平面的距离，如果距离差大于给定阈值可直接应用支持向量机分类；如果距离差小于给定阈值，则将所有支持向量都作为测试样本的近邻样本，进行KNN分类。通过对UCI数据集上的实验表明，该算法在少数类样本的识别率和分类器的整体性能上都优于传统分类算法及相应的改进型算法。本文最后将上述三种改进型算法集成于一个处理不平衡数据的分类系统原型中。该系统由载入数据及数据预处理模块、数据分类处理模块、分类结果可视化与持久化模块三部分组成，通过数据的运行测试表明了该系统具有良好的使用效果和用户体验。