宽度学习系统（Broad Learning System,BLS）在数据工程和知识发现领域中是一项极具前途的新技术,相比传统神经网络而言具有模型结构自适应和快速在线学习的优势。现阶段有关BLS的研究大多均停留在较为平衡的数据集上,而随着代价敏感问题在日常生活领域逐渐增多,将BLS这一新技术运用到代价敏感场合的研究将具有十分特殊的意义和价值。Meta Cost算法是一种经典的代价敏感学习方法,它具有元学习的特性,通过重采样和最小代价计算,它在原始数据集上生成一个考虑了代价的新数据集,从而可以应对代价敏感场景。经过重采样和子模型融合这两个层面上的改进后,Meta Cost算法也可很好地应对数据集不平衡的情况,且元学习的特性保证其与BLS可具有很好的相容性。MC-BLS算法是一种以Meta Cost框架和BLS算法模型为基础的面向代价敏感场景的改进算法,可用以应对代价敏感、样本数据不平衡的情况。MC-BLS将BLS灵活增量、在线学习的特性和Meta Cost在处理代价敏感问题上的优势相结合,发挥了BLS模型结构可变特性的优势,缓解了BLS稳定性不足的问题,保证了Meta Cost中集成学习多个子分类器间的差异性和高效性。在数据集划分和模型融合层面作出改进后,这种将二者组合使用的方式还具有较强的稳定性,且能确保少数类样本得到模型足够的关注度,有效提高算法在非平衡数据集上的表现。经过在多种公开数据集上进行的一系列稳定性和准确性实验,可以明确认为改进算法MC-BLS可有效应对代价敏感和数据集不平衡问题,与BLS在平衡数据集上的表现相当,缓解了BLS稳定性上的劣势。在与其它非平衡方法的对比中,MC-BLS在大多数情况下均取得了优于其它模型的表现,预测性能较强。