多类别不平衡分布在图像分类的应用中普遍存在,是图像分类研究的主要问题之一。传统的分类算法基于平衡数据训练进行设计,当遇到不平衡数据时分类结果会偏向于样本数量较多的多数类,导致分类性能下降。现有不平衡分类算法通过加强少数类样本的表征能力或调整分类界面使得分类结果偏向于少数类样本,进而提高算法分类性能,但仍存在类别权重超参数寻优困难、多数类表征能力大幅度下降等问题。本文主要研究内容如下:（1）设计了一种基于分布动态映射的自适应阈值移动算法,解决传统阈值移动算法中需要人为预先设定或复杂寻优算法生成固定阈值移动系数的问题。为了生成较好的阈值移动系数来调整网络分类界面,本文在已训练好的分类网络基础上,构建嵌入网络从平衡分布数据子集中学习阈值移动系数映射函数,根据样本分类概率分布自适应生成样本相关阈值移动系数。实验结果表明,本文算法能生成较好的样本相关阈值移动系数,有效提高类别不平衡图像的多分类精度。（2）设计了一种基于双分布表征学习与分类解耦学习的结合算法,提高网络的特征表征能力以及调整网络的分类界面。为了在提高少数类表征能力的同时保留多数类的表征能力,本文设计双分布表征学习算法,通过原始分布数据集与平衡分布数据集进行双通道学习,生成全局特征敏感空间。为了更好地调整分类界面,本文采用分类解耦学习算法将分类网络的特征提取模块与分类模块分离,基于平衡分布数据子集训练,使得分类界面更偏向于平衡分布。实验结果证明了双分布表征学习与分类解耦学习的结合算法能够提高网络整体表征能力,同时有效改进分类界面的偏移问题。