随着科学技术的日益发展,在很多领域产生了复杂且体量巨大的数据。如何从各种各样的数据中获得有价值的信息是一个值得研究的方向,其中,对数据进行分类则是关键的一步。在传统分类算法中,对于样本中类与类之间的数量以及误分类的代价等方面的研究较少。在处理不平衡数据的问题时,传统分类算法的性能表现有待提高。因此,针对不平衡数据的研究应运而生。不平衡数据在经济、医学等领域十分常见。例如:解决欺诈检测、医疗诊断和垃圾邮件过滤任务。目前很多学者针对不平衡数据的分类进行了大量研究,例如:从数据采样层面、单类学习层面与集成学习层面处理不平衡数据的问题。对于数据采样层面,主要分为欠采样和过采样两种方式,通常用SVM、KNN等传统分类方法作为基分类器。对于单类学习,其训练只包含一类样本的数据,不具有稳定性。单分类器集成是近几年的一种新的方法,是将不同标签数据训练所获得的单分类器集成起来,相比于单分类,效果有了进一步提升。在原子研究领域,强激光场辐照体系下的电离行为是该领域的研究热点。强激光与原子之间的相互作用会产生高次谐波发射以及非次序双电离等非线性的现象。这些现象可以通过“半经典”模型来作出解释:原子在强激光的作用下,可以通过隧穿或者是越垒的方式进行电离。之后,电离的电子在激光场的振荡作用下可能会返回到母体离子发生重碰。现存的原子在强激光作用下电离的研究一般是基于电离之后的轨迹分析,而在电离之后,重碰的行为明显少于非重碰的行为,这使得相关数据集产生了不平衡的现象。由此,基于非平衡分类法的原子在强激光作用下电离的研究是非常重要的。本文的主要目标是增强不平衡的原子电离数据的分类效果,一方面,我们将采样技术与现有的分类方法进行结合,与不平衡数据研究方向中的最新研究成果单分类集成方法进行评比,在评价指标上给出结果。另一方面,将过采样、欠采样与分类方法结合前和结合后的结果进行对比,以求掌握不同采样技术与常用分类方法结合后的整体结果。本文提出一种基于单分类的神经网络的统计机器学习方法来研究强激光作用下原子的电离之后电子的状态分类问题,数据集为电离之后电子的位置数据和动量数据。首先针对数据集进行处理,分别进行了特征生成和主成分分析;然后计算每个样本的集成单分类分数,将其作为每个样本的特征;在得到新特征之后,通过神经网络方法进行分类。本文方法与普通分类方法、过采样与欠采样方法以及集成单分类方法在AUC值、准确率、精确率、召回率和F1分数等几个方面进行了比较,证明了本文所提出的分类模型在原子电离数据上的分类效果更好,能够有效地对电子是否会发生重碰行为做出预测并判定,具有对激光实验中判定电子状态的实际意义,对后续的激光实验中的研究提供了支撑作用。