近年来不平衡数据分类问题持续成为关注的热点,广泛运用于医疗、金融、信息安全等诸多领域。与传统的数据分类不同,不平衡数据中某一类别（少数类）样本数目远小于其他类,分类器无法得到准确的少数类分类结果,然而很多情况下少数类的正确识别更是用户所关注的。因此,如何有效识别少数类是解决不平衡数据分类问题的关键,本文面向不平衡数据的采样方法进行研究改进,主要工作如下:首先针对传统过采样算法忽略边界少数类样本的重要性,易合成重叠样本同时未处理离群噪声点等问题,提出了一种基于边界和聚类簇的不平衡数据过采样方法。首先采用密度峰值聚类算法对少数类样本聚类,识别并处理少数类中离群噪声点;其次自适应的确定少数类边界区域采样权重,依据每个聚类子簇的稀疏程度确定采样比例,在样本边界区域和聚类簇中合成新的少数类样本,过采样后的新样本和原数据合并得到平衡数据集。在不同的分类器下进行对比实验,结果表明所提的算法能够有效地解决样本不平衡的问题,提高了分类器对少数类识别的准确性。进一步研究不平衡数据中的采样问题,针对欠采样时易丢失重要多数类样本信息,过采样中不能合成对分类决策更有效的少数类样本问题,提出一种基于密度的近邻优化混合采样方法。首先引入了密度系数的概念,使得样本在靠近边界的密度更大,然后采用聚类方法约减多数类,选择了能够代表多数类整体分布的样本集;在过采样方法中,依据密度系数分配采样权重,在靠近边界区域合成更多的少数类样本,进一步提高了少数类边界的决策支持度,混合采样后得到平衡数据集。实验证明,较于其他几种混合采样算法,所提的算法在处理不平衡数据问题上具有明显优势。