IB方法是一种基于信息论的数据分析方法,其将数据模式分析视为一个数据压缩的过程。若给定源变量与相关变量的联合概率分布,IB方法在对源变量进行压缩的同时,可使得压缩变量最大化地保存相关变量的信息,进而有效的发现数据集内所隐含的内在模式。IB方法被广泛应用于需进行特征提取和信息压缩的领域,且均得到了较好的结果。垃圾邮件问题是困扰人们日常生活和学习的严重网络问题,给人们带来了很多不便。目前常用的垃圾邮件过滤方法由于没有充分考虑到不平衡类特征描述特殊化的问题,不能很好的对作为稀有类的垃圾邮件进行特征提取,因此难以得到优秀的过滤效果。如果使用已有算法提高垃圾邮件类的分类准确率,就要以牺牲召回率为代价,反之亦然,因此构建一个最大化准确率和召回率的模型是垃圾邮件过滤算法的一个主要挑战。针对垃圾邮件过滤过程中召回率、准确率不能同时提升的问题,本文提出了基于IB方法的单类垃圾邮件过滤算法。该算法将垃圾邮件过滤问题转化为单类分类问题进行求解,并使用基于IB方法的信息损失函数对单类进行特征提取。将垃圾邮件过滤问题转化为单类分类分类问题,使训练数据来源于单一数据源,能够有效地避免噪声对训练过程的影响；使用IB方法对垃圾邮件类进行特征提取,利用互信息可以提取与垃圾邮件相关性最高的一些属性特征,并为垃圾邮件类构造高效的压缩代表,解决了稀有类描述高度特殊化的难题。为了验证基于IB方法的单类垃圾邮件过滤方法的有效性,本文将其与朴素贝叶斯分类器以及Logitboosting方法在Ling-Spam数据集上作对比。实验结果表明,本文的方法不仅能够实现召回率、准确率的同时提升,而且显著降低了垃圾邮件错判和漏网的比例。