在当今大数据时代,数据的规模以指数级的速度快速增加,数据作为互联网的核心,其在人们生活中应用价值越显关键。如何通过技术手段精确、快速的从这些数据中获取有价值的信息成为当前重要的研究内容。机器学习的出现提供了一种手段,其能够自动的挖掘数据的内在规律,并且利用这些规律对新的数据进行预测。经过学者们多年的研究,当前已经提出了很多成熟的模型,但这些学习方法都是针对分布均匀的样本提出的。然而,在日常生活中,许多数据集分布不均匀,类与类之间的样本数差异很大,即非均衡数据集。如信用卡欺诈检测、故障诊断、医疗诊断、垃圾邮件过滤等。数据分布的不平衡性对数据挖掘提出了更大的挑战,这是因为传统分类算法在最初被设计和实验时都是基于分布均匀的数据集提出的,分类器为了确保总体性能,部分少数类样本会被错误的分类,这会使少数类的分类识别率降低。但是,通常我们更重视少数类样本的分类准确性,因为少数类样本携带的信息具有更高的价值,是数据挖掘的目标。针对非均衡数据在分类过程中呈现的问题,业界主要从数据采样和算法改进两个层面进行相关研究。在数据采样层面主要通过某种采样方法,使数据集中的多数类样本与少数类样本在样本数量上大体相当,进而来处理非均衡数据集的分类偏向问题;在算法层面,通过引进惩罚机制对算法进行优化（如代价敏感学习,集成学习,以及模糊支持向量机等）来改善少数类的分类识别率。针对非均衡数据集分类结果倾向于多数类的问题,本文从数据采样和算法两个层面来提高少数类的分类精度。具体研究内容如下:（1）从数据层面,本文首先分析了非均衡数据集的特点,充分考虑非均衡数据集的类内与类间平衡,并结合SVM算法对SMOTE采样算法进行优化,提出一种基于SVM的不平衡数据过采样方法-SVMOM（oversampling method based on SVM）,该算法首先通过SVM得到分类超平面,然后根据每个少数类样本到分类超平面的距离赋予少数类样本距离权重,其次根据样本的分布赋予样本密度权重,再次根据少数类样本的距离权重和密度权重赋予样本选择权重,最后根据样本的选择权重运用SMOTE合成新样本,进而达到降低非均衡数据集平衡率的目的。最后通过对比实验验证了算法的有效性。（2）从算法改进层面,利用集成算法在处理非均衡数据集的优势,将本文提出的SVMOM过采样算法与Adaboost结合成新的集成算法—基于重采样的非均衡数据集成分类算法（SVMOMboost）,该算法在每轮迭代开始,首先应用本文提出的SVMOM算法,对少数类样本进行扩充并同时更新样本权重,使数据集达到一定程度的平衡,然后进行弱分类器的训练。通过实验对比发现,相较于其他一些算法,SVMOMboost算法具有较好的性能表现。（3）最后从《中国强沙尘暴序列及其支撑数据集》与《中国地面气候资料日值数据集》中提取甘肃部分地区沙尘暴数据以及气象数据,将提取后的数据进行预处理后,结合本文提出的基于重采样的不平衡数据集成分类算法（SVMOMboost）构建了面向甘肃部分地区沙尘暴非均衡数据分类问题模型。