新一代信息技术的飞速发展及其在各领域的广泛应用引发了数据的爆炸式增长.如何挖掘海量数据中蕴含的重要信息、发挥数据的价值是现阶段的一项重要任务.数据分类作为数据挖掘中一项非常重要的任务,具有重要的研究价值.然而在很多实际问题中,不论是结构化数据,还是非结构化数据,类不平衡现象都不可避免的存在着.这给数据分类带来了巨大的困难和挑战.近年来,虽然不平衡分类算法在理论、方法和应用方面已经取得了一系列重要进展,但其仍然面临着类重叠与类内不平衡、少数类表达能力不足以及监督信息缺乏等挑战.围绕这些挑战,本文创新性地开展了面向不平衡数据的分类算法研究.主要研究成果如下:（1）针对传统不平衡数据分类中的类重叠与类内不平衡问题,提出了基于自适应欠采样的不平衡数据分类算法.该算法首先利用近邻搜索算法识别重叠区的多数类样本并将其删除.然后应用改进的密度峰值聚类自动获得多个不同形状、大小和密度的子簇.最后根据子簇中样本的稠密程度计算采样权重并进行欠采样,在获得的平衡数据集上进行Bagging集成分类.实验表明,相比已有的欠采样方法,本文提出的分类算法能够明显改善分类的性能.（2）针对不平衡节点分类中少数类表达能力不足问题,提出了基于混合采样图对比学习的不平衡节点分类算法.该算法的核心是利用混合采样平衡负样本集,实现了不同类样本的平衡,加强了少数类节点的表示,从而提高了不平衡节点分类的性能.大量的实验结果表明,该算法的分类性能较图对比学习算法有了显著的提升,同时与其他代表性的不平衡节点分类方法相比能够获得更优的结果.（3）针对不平衡节点分类中的监督信息缺乏问题,提出了一种基于自监督学习的不平衡节点分类算法.该算法一方面通过自监督学习扩充了监督信息,另一方面增强了节点的表达能力.此外,在交叉熵损失与自监督对比损失的基础上,设计了一种语义约束损失确保图数据增强中语义的一致性.在真实图数据集上的实验结果表明,所提算法可以获得有区分性的表示,在不平衡节点分类任务上更加有效.综上所述,本文针对不平衡分类算法面临的类重叠、少数类表达能力不足以及监督信息缺乏的挑战,利用自适应欠采样、图对比学习以及自监督学习等技术,提出了一系列不平衡分类算法,为数据分类问题提供了一些新方法与新思路,研究成果对于不平衡数据的分析与挖掘有一定的理论意义和应用价值.