近年来,不平衡数据分类问题存在于诸多领域中,由于不平衡分类蕴含的关键信息以及分类的困难受到越来越多研究学者的关注。传统的分类算法在应用到不平衡样本分类问题上时,往往不能取得理想的分类效果。到目前为止,许多针对不平衡问题的有效改进方法被研究者提出并应用到不同的领域,但是针对类内不平衡样本数据集的分类方法还需要我们去进一步深入研究。由于绝大部分现有的针对不平衡数据分类的方法都只是考虑到了类间不平衡的情况,并没有考虑到类内不平衡,从而当出现类内不平衡的时候影响最终的分类效果。有实验研究证明,影响不平衡样本分类学习的因素有很多,类间不平衡是其中一个主要原因但不是唯一因素,类内不平衡情况的存在往往是影响最终分类效果的关键因素。在本文中,首先介绍了不平衡问题中的类间不平衡和类内不平衡进行了介绍,并从多个角度分析了造成不平衡数据分类难的原因,通过阐述这些存在的问题进行分析研究;然后,对现有的一些经典的解决不平衡数据样本分类问题的方法和主流评价标准进行总结,并研究和分析这些方法的优缺点;然后,本课题提出了一种考虑类内不平衡的基于改进DBSCAN算法进行聚类,结合进化算法优化的集成分类方法进行类内不平衡数据样本分类的解决方案,并基于边界样本结合过采样和欠采样的各自优点进行混合采样;最后采用进化算法(EAs)中粒子群优化算法(PSO)对混合采样率、特征向量以及基分类器的权重系数进行优化,提出了一种基于PSO和改进DBSCAN算法的DBPS-Boost算法。随后进行了一系列可以有效验证算法查全率、查准率、F-Measure和AUC结果的实验,从而证明了该算法的有效性。