现代科技发展日新月异,人类可以获取到的信息日益增多,但由于信息具有多样化的形式和结构,故需要从海量数据中高效地甄别出对自身有益的信息。分类是人类提取信息的一个重要方式,分类的质量受到诸多因素影响。其中,数据的类不平衡广泛存在于实际生活中,且类间极度不平衡将使模型分类效果急剧下降。针对此问题,文中在算法层面上,将少数类点视为异常点,将极度不平衡分类问题转化成数据描述的问题进行研究。数据描述技术是根据数据信息描述多数类的边界,并尽可能极小化边界所包含的范围,以降低错分少数类点的概率。文中对经典的数据描述类算法进行分析,并在最新的模型最大间隔的双球面支持向量机（MMTS）的基础上进行改进。文章所取得的研究成果主要有:MMTS所使用的Hinge损失函数将正确分类样本的损失记为零,仅使用错分样本点构造决策超球面,忽略了正确分类样本所携带的信息,故无法充分挖掘数据结构。针对极度不平衡分类问题,文中提出了一种光滑有下界的奖惩结合的损失函数（SRPL）,新损失函数取值范围不再局限于正半轴,可根据新损失函数的正负分别对目标函数给予惩罚和奖励,既可以充分发掘数据集特征,又可以避免边界附近噪声的干扰。新损失函数相较于之前的损失函数,具有光滑有下界的优良特性,文中基于此新损失函数提出奖惩结合的最大间隔双球算法（RPMMTS）。同时,文中也从理论上验证了新提出的损失函数满足Fisher一致性。基于新损失函数的特性,文中根据牛顿法设计了一个新的求解算法。实验结果表明,RPMMTS比其他不平衡分类算法的效果更优。模糊K均值聚类（FCM）中每个样本并不单归属于某个簇心,而是所有簇心的一个成员,隶属度在迭代过程中更新。文章基于此思想将模糊度引入MMTS,得到最大间隔的模糊双球算法（MMFTS）。MMFTS在迭代过程中更新每一个样本对构建决策超球面的重要程度,提高了对少数类点的关注。另外,根据赋予隶属度的原理及实验分析,对少数类点的隶属度更新进行优化,以此加快迭代速度。实验结果表明,MMFTS有效地提高了少数类点的检测准确率。