对不平衡数据集进行正确地分类并且提高少类样本分类性能的问题被称作不平衡数据集分类问题,该问题在近年来引起了研究者们的注意。这个问题可以大致被描述为:被称作少数类的类别拥有比称作多数类的类别少的多的样本数。并且当前的有关算法主要将重点放在采样和构造分类器的任一阶段,几乎没有人去结合这两个阶段来进行综合研究。除此之外,数据的不平衡的问题也存在在当前的许多实际应用中,影响着工业生产和生活。针对以上问题本文提出了一种被称作“基于合成少数过采样技术的FORF-SMOTE（Focus Online Random Forest-SMOTE,聚焦在线随机森林）”的分类算法。该算法可被简称为FORF-S。并且将简单高效的合成少数过采样技术成功应用到司法项目中。为了提高不平衡数据的分类性能并且在实际项目中解决存在的不平衡数据问题,本文主要做了以下工作:（1）针对当前存在的不平衡数据集分类技术大多数只将重点放在采样阶段或分类模型训练阶段的局限性问题。本文提出了一种将两个阶段结合在一起的方法。提出了在采样阶段以少类样本为焦点进行少类样本的过采样以及对其周边多类样本进行筛选构造一个新样本集,然后利用新样本集和原始样本集分别构造在线随机森林,最终将两个在线随机森林结合起来进行预测。实验证明这种方法在多个数据集上和当前主流方法相比都呈现出了优越性。（2）针对当前司法项目中涉及到的涉诉信访分类问题,以及各案件类型中存在的信访案件比例和非信访案件比例不平衡的现象,利用了高效的合成过采样技术对信访数据进行过采样后再进行后续的分类算法的构建,并且通过实验对比证实该技术可有效应用在司法项目中并取得性能的显著提升。