作为模式识别和机器学习研究领域中最具挑战性和吸引力的问题之一,非平衡类问题引起了越来越广泛的关注,其表现为数据集样本类别分布的高度不平衡。在很多实际问题中,如溢油检测,漏油事件发生的频率较低,但这种事件一旦发生后果比较严重。因此如何有效识别这些感兴趣的少数类样本往往比正确识别多数类样本更加重要。基于欠抽样的组合分类器方法是常用于处理非平衡类问题的有效方法,但该方法使用欠抽样方法获得的数据集往往较小,如何在较少的数据集合上学习具有高准确率的基分类器是该方法成功的核心问题之一。观察到旋转森林比Bagging、Adaboost等方法具有更高的泛化性能,故本文选择旋转森林作为基学习器,以获得高准确率的基分类器。另外旋转森林对数据分布很敏感,相较于支持向量机、神经网络,其更容易学习有差异的基分类器,这是基于欠抽样的组合分类器方法能在非平衡类问题取得成功的另一个原因。因此,本文研究将欠抽样技术与旋转森林方法有效结合起来,提出有效的面向非平衡类问题的高效处理方法。本文的主要工作如下:(1)提出基于欠抽样和旋转森林的组合分类器方法(Ensemble with Undersampling technique and Rotation forest,EUR)。EUR包含EUR-I和EUR-II两种方法。EUR-I使用欠抽样技术从多数类数据集中前抽样获得多个子集,然后将每个子集与少数类组合以获得新数据集,并在新的数据集上使用旋转森林学习每个分类器。因此,EUR-I是组合分类分类器的组合分类器。EUR-II与EUR-I方法类似,其不同之处在于学习每个基分类器之后,移除以高置信度正确分类实例以便下一个基分类器能够更好地关注数据集中难以正确分类的实例。(2)提出基于欠抽样的旋转森林增强算法(Improving Rotation forest with Undersampling technique,IRU)。该方法在EUR方法的基础上进一步将欠抽样技术嵌入到旋转森林算法学习过程中。具体地,从多数类中抽取多个子集,在每个子集上学习一个投影矩阵;在每个投影矩阵定义的空间中,使用欠抽样技术处理将原始数据集获得一个新的训练集,进而在新的训练集上学习一个基分类器。在KEEL数据集上的实验结果表明,较之于传统的基于欠抽样的组合分类器方法,本文提出方法在指标recall、g-mean、f-measure和AUC上表现出显著的优势。