非平衡数据的分类问题是机器学习和数据挖掘中的重要研究方向。在实际生活中非平衡数据广泛存在,许多重要信息存在于少数类样本数据中,因而非平衡数据的分类问题愈显重要。由于非平衡数据少数类样本所占的比例较少,容易造成少数类样本的分类错误。因此,传统的分类器对非平衡数据的分类效果并不理想。当前已有的改进算法在不同程度上都可以提高非平衡数据的分类效果,但都存在一定的弊端。一方面,忽略了非平衡数据的统计特性,随机生成的样本容易与多数类产生重叠;另一方面,在生成数据时并没有考虑数据的生成方向,生成的新样本质量不佳。针对以上问题,本文考虑了非平衡数据集的统计特性与数据的生成方向,在对生成新样本的原始数据的选择上更加注重少数类的分布情况,根据多数类入侵少数类的范围,对非平衡数据提出一种数据边界的对称翻转算法并进行了数据实验,验证了新算法的有效性。首先,利用GMM-EM算法获得两类数据的概率密度函数,得到多数类与少数类数据的均值和均方差;然后选择少数类的均值为对称中心,利用统计学中的“3σ法则”,确定多数类入侵少数类的翻转边界,再根据翻转边界确定少数类的翻转区域,将翻转区域中的少数类样本进行翻转重采样并且剔除与翻转区域中少数类原始数据重复的点。此时,当两类数据不平衡时,在翻转区域使用概率增强再次生成少数类,使数据达到平衡。新算法考虑了新样本的生成方向,避免了多数类与少数类数据间的交叉重叠,从统计层面使数据达到平衡,提高了少数类数据的生成质量;最后,从UCI、KEEL数据库中选取数据集进行实验,采用决策树分类器进行分类训练,比较新算法与ADASYN以及SMOTE相关算法的实验结果,实例分析验证了该算法的可行性和有效性。