分类问题是数据挖掘领域的重要研究内容之一,传统分类方法是基于二元数据所设计,但大多数实际案例的数据都是多类别的,如网络异常检测、天气预报和石油污染检测等。多类别数据的分类问题相较二元分类问题概念更复杂,因此给传统分类方法的学习带来了新的挑战。实际应用的数据不仅存在类别多样化的问题,而且其类别间样本的分布也非常不平衡,当少数类样本过于稀少时,传统分类方法很难从中学习到有用信息,因而在最后进行分类判决时会倾向于多数类。所以说对多类别不平衡数据的分类方法进行研究十分具有必要性。分类框架是广泛应用于解决多类别不平衡数据分类问题的重要方法,将原问题分解成多个二分类问题后,再采取某种集成规则得到分类结果,其中涵盖了分解策略、不平衡二分类方法和集成规则三种关键技术,备受研究者们的广泛关注。但是分解框架中依然存在着一些不足,有效的二元分类器的构建比例会随着类别规模的增加而降低,从而严重影响整个多分类方法的分类性能。为解决上述问题,本文在引入核心簇和类间差异度的概念后,将多类别不平衡数据的分类问题映射到一张加权完全图中。在此基础上,提出了一种基于最大生成树的分解策略和基于结点度数的集成规则,选择出最优二元分类器组合的样本用以训练,从而降低不良二元分类器的构造率,然后再以结点度数为权重集成二元分类器返回的类预测值,从而平衡不同类别样本构造次数的不一致。为了验证提出方法的可行性,将本文提出的分解策略和集成规则与现有方法在4组不平衡集成学习方法和2组分类算法上进行对比,实验结果表明该方法能有效提升分类正确率。在优化分类框架的分解策略和集成规则的基础上,本文进一步对现有的不平衡数据二分类方法进行改进,在传统k最近邻算法中针对不平衡数据动态调整测试样本的k邻域,以提升少数类的参与概率。实验表明改进后的k最近邻算法能够在保持总体分类正确率不低的情况下提升少数类的分类正确率。