现阶段各种信息数据爆炸式增长,海量数据的不平衡性和高维性越来越明显,这严重影响了分类的准确率。原始分类算法以数据均衡为前提,应用在不平衡数据时分类性能严重降低,因此提高不平衡数据的分类性能成为当下迫切需要解决的问题。本文对不平衡数据造成的分类偏斜问题,数据高维度降低了分类准确率且增加分类困难度的问题进行了研究,主要研究内容如下:1.针对不平衡数据的分类偏斜问题,提出结合变分自编码器的不平衡数据分类模型。该模型考虑到少数类样本不同层次的特征,借助变分自编码器通过神经网络多次非线性特征转换,学习到更接近真实数据的样本分布特征。进而通过生成器生成更符合原始数据特征的少数类样本以均衡数据集,突破了过采样难以接近真实数据的局限性,解决了分类过拟合问题。2.针对高维不平衡数据降低分类准确率的问题,提出基于改进降噪自编码器的高维不平衡数据分类模型。该模型根据不平衡性引入新的噪声函数,令自编码器在添加噪声时区分正负类样本。通过噪声层损坏少数类样本使其在训练过程中得到较高的重视度,解决了正负类样本不均衡导致的提取特征无效性问题,减小了数据高维性造成的分类误差。3.将结合变分自编码器的不平衡数据分类模型和基于改进降噪自编码器的高维不平衡数据分类模型应用在情感分类任务中,构建了一个不平衡情感分类模型。该模型对数据集预处理,即分词、去停用词和构建文本向量后,使用变分自编码器和改进的降噪自编码器对文本向量做不平衡处理。实验结果验证了提出的两个算法都能够有效改善不平衡情感分类因极性情感文本存在偏差导致的性能降低问题。