随着深度学习的快速发展,性能强大的深度学习模型已经被广泛地应用到如计算机视觉、自然语言处理、智能语音等在内的各个领域当中。在基于深度学习技术的应用场景中,大规模数据集是确保深度学习模型性能必不可少的一环。然而,现实的数据往往会存在着类别分布不平衡的问题。在训练过程中,样本稀少的类别容易被模型忽视,从而损害模型性能,导致训练出来的模型性能不及预期。因此,如何利用类别分布不平衡的训练样本进行有效的学习,成为近年来备受关注且迫切需要解决的研究问题。本文以图像分类任务为基础载体,对类别不平衡图像分类问题进行研究,并从Mixup数据增强技术的数据层面角度探讨相关解决方法,提出了包括Mixup联合重采样的图像分类方法以及基于图像切块混合的图像分类方法。本文首先提出了基于Mixup联合重采样的类别不平衡图像分类方法。该方法通过分析过采样方法和Mixup数据增强技术之间的互补性,进而提出一个结合基于实例采样（Instance-based Sampling）和基于类别采样（Class-based Sampling）的混合样本方法来解决类别不平衡图像分类问题。该方法引入重采样的思路,首先平衡各个类别的标签占有率,再进行样本混合操作,从而有效减少噪声样本生成。此外,该方法进一步提出一种混合权重衰减策略,根据训练周期数自适应地调整双采样器之间的混合比重,进而指导网络模型的学习。在该策略的作用下,训练前期基于实例采样的权重较大,帮助模型建立起基本的表征能力;随着训练的进行,混合权重逐渐由类别采样所主导,在具有一定的表征能力的基础上,进一步引导模型关注稀少类别的学习。所提方法通过权重衰减策略有效地结合了两种不同性质的采样方式,充分利用了两种采样方法各自的优势来训练网络模型,通过调整混合权重完成模型从表征学习到重平衡学习的转变,进而显著提高了类别不平衡图像分类准确率。本文随后继续对Mixup样本混合技术进行深入探讨,分别从混合方式和样本分布的角度出发,提出了基于图像切块混合的类别不平衡图像分类方法。该方法分别包含图像切块混合模块和训练样本选择机制模块。图像切块混合使用图像间的矩形块裁剪粘贴替代原始的线性加权混合,该方法认为图像间的切块混合能让模型更加清晰地学习图像块之间的局部特征,解决了线性加权混合带来的特征模糊问题。此外,针对图像裁剪还提出了一个自适应方框位置调整方法,确保了裁剪区域的准确性。训练样本选择机制根据混合样本中图像块所占的比例,选择性地替换部分的混合样本,在混合样本中引入原始样本进行训练。最后,该方法还与常见的重采样和重加权技术进行有效集成,从而进一步地提高类别不平衡图像分类的准确率。本文主要有以下贡献:（1）本文首先关注到Mixup数据增强技术在类别不平衡场景下的局限性,进而提出一个基于Mixup联合重采样的方法有效地减少混合过程中噪声样本的生成;同时提出一种混合权重衰减策略用于指导模型训练,仅通过调整混合样本分布帮助模型逐步关注稀少类别的特征。（2）本文分析线性插值和图像切块两种混合方法表现出的性能差异,首先提出用于类别不平衡图像分类的图像切块混合方法,该方法能显著提高混合样本的特征表达能力;其次,本文将图像切块混合方法与经典重采样、重加权技术进行有效集成,进一步提高模型在类别不平衡场景下的图像分类性能。