在许多场景和应用领域中,不均衡数据学习是一个常见并且长期存在的问题。例如在实际生活中电信管理,信用卡欺诈检测,诊断数据中的罕见疾病,文本挖掘,语音识别,图像处理,目标检测,情感分类等。当数据分布存在于二分类问题时,其中某一类样本占多数,另外一类样本占少数,导致出现严重的不均衡问题。在二元不均衡分类中,其中包含更多样本的类称为多数类,而包含更少样本的类称为少数类。然而,当不均衡率(多数样本数与少数样本数之间)较大时,很难捕获少数类。在这种情况下,常规分类器通常偏向于多数类,而无法正确分类少数类。与此同时,不均衡数据分类还经常受到类内不均衡,类间不均衡,噪音数据和冗余数据等影响。因此不均衡数据分类主要面临以下挑战:如何去选取有价值样本,如何去除噪音和冗余样本,以及如何更合理的生成少数类样本或者删除无用的多数类样本。本文针对上述问题提出了几种处理不均衡数据方法,主要工作和贡献如下:提出了用于选取有价值样本和生成少数类样本的主动学习模型(COAL)。在不均衡数据中,多数类样本中存在许多冗余样本信息,以及少数类样本数量很难以区分。为了保持样本的结构性和增强原始数据集的多样性,本文在初始阶段利用聚类算法将多数类样本划分为几个子集,并根据主动学习的不确定性策略来选取有价值样本。在选取样本后,为了避免训练过程中出现不均衡问题,我们采用了过采样的方法来均衡数据集。最终我们使用COAL模型和其他最新方法对现实数据集进行了一系列实验。最后,可以通过结果比较证明提出的COAL框架的优越性,并可以获得令人满意的结果。提出一种新的价值样本选取的不均衡分类框架(SSIC),该框架充分考虑数据统计特性,自适应从大小类中选取有价值样本,并结合代价敏感学习构建不均衡数据分类器。SSIC首先构建多个均衡数据子集,然后利用压缩激励网络从每个数据子集中提取判别性特征,并据此选取有价值的样本从而有效剔除噪音和冗余信息。为有效处理有价值样本在类间不均衡分布,SSIC提出基于样本重要性的代价敏感支持向量机方法构建不均衡分类器,该方法能自适应学习各个有价值样本对最终分类器的重要性。最终我们使用其他最新方法对现实数据集进行了一系列实验。最后,可以通过结果比较证明提出的SSIC框架的优越性,并可以获得令人满意的结果。