非平衡数据分类问题广泛存在于现实世界中,如医疗诊断、雷达图像监测、诈骗检测等。由于其固有的不均匀特性,即正负样本数目相差悬殊,导致了传统的分类算法的有效性降低。因此如何对其有效的准确分类已经成为当前机器学习和模式识别领域中的研究热点之一。本文的研究工作主要以传统的核方法为基础,通过新的过采样方法以及结合基于不同惩罚因子的支持向量机学习算法,来达到优化非平衡数据分类性能的目的。本文的主要贡献有:(1)针对非平衡数据中的不平衡问题,提出了在核方法里的象空间进行数据处理的方法即SMOIS(Synthetic Minority Over-sampling In Image Space)方法。该方法不同于在数据原空间中产生新合成的少数类样本的策略,而是通过在映射后的象空间(Image Space)里引入非重复性的人造少数类样本,以减少分类算法对少数类样本的敏感度,实验结果表明,在ROC曲线和g-means评估度量上该方法能达到一个更好的分类性能。(2)支持向量机方法(SVM)是一种有效的分类学习算法,但在处理非平衡数据时,效果往往不尽人意。因此本文将SMOIS方法与改良的支持向量机算法结合起来,提出基于SMOIS的支持向量机学习算法,从而达到有效分类非平衡数据的目的。本文的研究内容是当前的热点问题之一。该研究成果不仅具有重要的理论意义而且也具有直接的应用价值。