随着全球信息技术的高速发展,机器学习已经成为各行各业解决实际问题的一个重要方法,不平衡分类问题是机器学习领域里的重要研究内容。在实际生活中,不平衡数据广泛存在,比如医疗诊断、流失用户识别、垃圾邮件识别等场景都存在大量的不平衡数据。如何有效的对不平衡数据分类有着重要的研究价值,许多专家学者使用集成学习算法处理不平衡分类问题并取得了一定的成果。研究人员使用传统的集成学习算法研究不平衡分类问题,这些算法本身具有一定的局限性且已经研究的非常充分,很少有研究使用前沿的集成学习算法处理不平衡分类问题。gcForest算法是周志华教授提出的一种新的集成学习算法,该算法具有分类精度高、泛化能力强、参数调节简易等特点,但是gcForest并未在算法的设计上考虑对不平衡分类问题的处理,算法面对不平衡数据时分类性能并不优越。本文针对gcForest算法在不平衡分类中存在的问题,分别从级联森林部分与算法的数据层面进行优化改进。首先,在级联森林部分,计算每层森林的分类器分别对少数类样本和多数类样本的分类精度,以分类精度作为不同类别样本的权重,再根据权重优化每层森林的投票结果,加强算法对少数类样本的关注。同时将改进的算法结合XGBoost算法替换级联森林原有的基分类器,进一步强化整个森林的对不平衡数据的分类能力。其次,在算法的数据层面,数据执行多粒度滑动窗口过程后,根据数据的不平衡度采用两种不同的策略优化算法,通过引入过采样算法,并借助EasyEnsemble算法的思想将少数类样本与多数类样本组成多个平衡的数据集,再传递给级联森林进行学习,从而在数据层面提升算法对不平衡数据分类的处理能力。最后,通过多组UCI、KEEL公共数据集以及某省通信运营商用户流失数据集进行实验,并将改进的算法与主流的集成学习算法对比,实验结果证明了改进能够有效地提升gcForest对不平衡数据的分类性能。