类不平衡是数据挖掘领域的十大难题之一,在学术界和产业界备受瞩目。所谓类不平衡是指样本数据中某一类的样本远多于其它类样本,从而造成传统分类模型的分类面偏倚,导致分类性能下降的问题。经过多年研究,多种解决类不平衡问题的方法已被提出,但其并未充分研究样本先验分布对分类性能的影响。针对上述问题,本文基于代价敏感学习的思想,充分研究了类不平衡问题对分类器性能的影响,以耦合样本的先验分布信息为出发点,对二类及多类不平衡分类问题、一类分类问题分别展开研究。主要研究内容包含以下两个方面:1)在两类及多类不平衡分类问题中,传统分类器的分类面往往偏向多数类,导致少数类预测准确率下降。针对此问题,本文提出了耦合样本先验分布信息的加权极限学习机CPWELM(Coupling Prior distribution Weighted Extreme Learning Machine)算法。以极限学习机为基分类器,拟从样本的先验分布如类不平衡比例、类覆盖区域大小、噪声点及离群点等探讨不同分布对分类性能影响,并耦合这些信息以构造代价矩阵,以提升分类器性能并使算法在不同分布上具有鲁棒性。通过46个二类及多类不平衡数据集,分别验证了CPWELM算法的可行性及有效性。结果表明,相比于同类算法,CPWELM算法的性能更优。2)一类分类问题是类不平衡问题中的极端情形,即数据集中少数类样本难以获取或者几乎不存在的情况,使得训练集仅有目标类,对应应用如异常检测,新颖性检测等。针对传统一类分类器分布适应性差、数据描述不够精确等问题,本文提出了基于K近邻相对概率密度估计的模糊一类极限自编码器FOCEAE(Fuzzy One-Class Extreme Auto-Encoder)算法。在模糊极限学习机的基础上,采用K近邻对数据分布的全局相对概率密度进行估计,进而对样本进行模糊加权操作,从而实现对样本的精确描述。特别地,极限学习机以自编码器的方式实现,并通过重构误差来确定样本类属。实验结果表明,与诸多传统方法相比,本文算法不但具有更好的数据描述能力,而且兼具运行时间低的特点。