所谓非平衡分类问题,指的是训练样本数量在类间分布不平衡的模式分类问题[1]。在不平衡的数据集中,样本数量较多的类被称为多数类,而样本数量相对较少的类被称为少数类。在非平衡的训练数据集上,机器学习模型往往向多数类偏移,常见的解决非平衡分类问题的方法主要有两类:一是从数据预处理的角度去解决非平衡分类问题,主要有重采样,上采样,下采样等方法;二是从算法的角度去解决非平衡分类问题,主要有集成分类器,代价敏感学习等方法。代价敏感学习指的是在训练分类器时给不同类别的样本赋以不同的权重,在深度学习中,一般通过改进神经网络的损失函数来实现代价敏感学习,一般是在常用的交叉熵损失函数（Cross-Entropy Loss,CEL）的基础上,添加一些权重条件,从而提高多数类样本的损失,降低少数类样本的损失,达到解决非平衡问题的目的。Focal Loss（FL）是其中一种性能优越的代价敏感函数,它通过降低易分类样本的权重解决类的不平衡的学习问题。然而,FL也存在局限性,它过多地关注在分类边界附件的难分类样本。本文设计了一种新的损失函数,称为边界焦点损失（Boundary Focal Loss,BFL）,主要是通过降低特别困难的样本（噪音）权重来提升学习性能。本文首先将BFL在信用卡欺诈检测、酶功能分类、癌症分类三种不同领域进行了实验。信用卡欺诈问题是生活中常见的非平衡分类问题,能否妥善解决信用卡欺诈检测问题对于金融机构来说十分重要。而酶是人体必需的一种蛋白质,主要作为催化剂参与体内生物反应,在调节生物过程中也起着至关重要的作用。酶的功能一共有七类,每种功能酶的数量分布极不均衡。除此之外,癌症是遍布世界各地的一种致命疾病,近年来计算机辅助癌症诊断取得了越来越大的进展。对于这三个非平衡问题。本研究通过相应的方法提取数据的特征,并构建合适的深度学习分类器,然后分别使用CEL、FL、BFL作为分类器的损失函数,实验结果验证了BFL效果要优于另外两种损失函数。最后,本研究还将BFL应用到植物DNA启动子预测问题中,构建了一个高性能的预测器:i PPT＿BFL。DNA启动子是靠近起始密码子的一个短的DNA序列,负责启动基因组中特定基因的转录,对启动子的准确识别有利于更好地理解其转录调控[2]。本实验使用嵌入层、卷积层以及长短时记忆神经网络相结合搭建深度神经网络模型,五折叠交叉验证结果表明模型使用BFL作为损失函数取得最佳性能,i PPT＿BFL的性能也优于随机森林和支持向量机两种基准机器学习算法模型;同时相比于最新报道的DNA启动子预测工具IPPT＿CNN,i PPT＿BFL的分类性能在训练集和独立测试集都要优秀。本研究对数据非平衡的机器学习问题提出了新的损失函数模型—BFL,该模型在一些典型问题中取得了良好性能,BFL也可用于其它的非平衡数据机器学习,对提升深度神经网络模型研究有一定的积极意义。