随着互联网的发展与普及，数据的规模越来越大、复杂度越来越高、内容越来越难以捉摸，这给我们带来了新的挑战。面对如此大量的数据，数据挖掘技术可以帮助我们从中发现有用的信息。其中值得关注的一个问题是分类问题，而分类问题中较难解决的问题是不平衡数据分类问题。近年来，多目标进化算法成了学者们研究的焦点而模糊分类器在解决不平衡数据分类问题上也取得了较好的效果，自然而然，将两者进行结合产生的多目标进化模糊分类算法就成了解决不平衡数据分类问题的焦点。　　本文中提出了基于分解的多目标进化模糊分类算法，它包含两部分：模糊分类器以及多目标进化算法，我们分别对两个部分进行了改进。首先分别介绍了不平衡数据分类问题、模糊分类器以及多目标进化算法的理论背景，继而，第二章和第三章分别对模糊分类器和多目标进化算法进行了改进。具体研究工作如下：　　1．提出了一种复杂度可调的引入不平衡度的模糊分类器。向模糊分类器中引入了复杂度控制机制以及不平衡度机制，复杂度控制机制可人为设置复杂度因子的值，从而控制模糊分类器的复杂度。不平衡度机制是在确定模糊规则的权重时将类间不平衡度考虑在内，使少数类数据得到较高的权重。　　2．提出了一种改进更新机制的MOEA/D。算法采用改进了更新机制的多目标进化算法作为基础优化算法。首先，我们采用进化的方式产生多个后代个体，然后依次采用这些后代个体对当前个体执行更新操作，而不是对邻居域内的所有个体执行更新操作。实验证明，在处理不平衡数据集时这一算法有较好的效果，不仅加快了算法的收敛速度而且取得了较好的效果。　　3．提出了一种用于医学图像分类的多目标进化模糊分类算法。将基于分解的多目标进化模糊分类算法应用于医疗数据以及医学图像中，医疗数据是经由专业人士提取的医学方面的不平衡数据。对于医学图像而言我们需要先将图像提取成数据然后进行分类处理。实验表明我们的算法对医学数据以及医学图像具有较好的分类性能。　　本课题得到国家自然科学基金(No.61373111)、省自然科学基金(No.2014JM8321)、中央高校基本科研基金(Nos. K50511020014，K5051302084)的资助。