当前互联网信息时代,人们在现实生活中每天都会产生大量可用且有价值的数据,如何从这些数据中发掘内在与外在相关性并抽取有益信息是当前数据挖掘与人工智能研究的热点。数据的分类是机器学习领域的一个最基本也是最重要的研究之一,它是各个实际应用中不可或缺的一个重要环节,但实际的数据分布往往是不平衡的,很多算法对不平衡数据的分类表现差强人意。支持向量机(SVM)算法是一个基于统计学理论和结构风险最小化理论的重要机器学习分类算法,它寻求的最优分类超平面是由支持向量决定的,而支持向量的数量同样本类别的数量成正比,这导致了SVM在样本数量不均衡的情况下会出现对少类样本分类较差的问题。针对基于SVM的不平衡数据分类问题,本文的研究工作主要包含如下几个方面:一、探讨基于统计学理论的机器学习算法的基本原理,分别包括基于经验风险最小化的人工神经网络和基于结构风险最小化的SVM算法。重点分析SVM算法,并总结SVM的研究进展。二、分析不平衡数据分类的问题本质,总结SVM算法在解决不平衡数据分类问题的各种方法。三、详细对抽取的高校学生校内消费数据进行了预处理与特征分析。建立基于人工神经网络和决策树的高校贫困生等级识别模型,为了分析SVM算法在小数据集中的特性,制作了小数据集,作为SVM算法的对比实验数据集。四、建立基于SVM算法的高校贫困生等级识别模型。主要从数据层面和算法层面处理不平衡数据分类问题,在数据采样处理基础上,提出了结合数据采样和集成学习的NCRBoost-SVM算法,在大小数据集中,对多个模型进行对比分析。实验的结果表明SVM在小数据集中的表现较好,经过欠采样处理能提升SVM分类效果,且提出的算法可能得到更好的结果。