近年来,机器学习越来越受到各界人士的关注。然而,机器学习系统容易受到历史数据的影响,并对少数群体,弱势群体和历史上处于不利地位的群体产生歧视行为。因此,有必要使用公平性准则来约束机器学习系统在某些应用场景中的行为,例如贷款,就业,刑事司法和广告,并期望保护弱势群体,从而在分类公平性和准确性之间达到一个平衡。在公平性机器学习领域,预防歧视的目的在于执行预测任务之前消除不公平训练集对于分类器的影响。目前,有大量的研究关于预防机器学习模型中的歧视现象。但是如何设计出公平有效的机器学习模型,即在保证分类公平性的同时,尽量不损害预测准确度仍然是一个研究重点。本文从两方面入手,有效解决了分类器中的歧视问题。第一部分,为了保证分类公平性和准确性,本文通过发现和消除原始数据集中的歧视样本来寻找生成公平数据集的方法,即提出了一种基于分类间隔的加权方法用于处理二分类任务中的歧视现象,并在demographic parity和equalized odds公平性判定准则上实现分类公平。为了不影响分类准确性,本文基于最大间隔原理将样本投影之后选出目标集,对于目标集中的每个样本,通过加权距离度量方法判定该样本是否具有歧视性,并进行修正。通过在三个真实数据集上与已有方法进行实验对比,本文的方法能够获得更好的分类公平性和准确性,并且不局限于特定的公平性判定准则和分类器。第二部分,由于很多传统的公平性机器学习模型只考虑敏感属性,而忽略由于属性之间的关联性导致非敏感属性隐含敏感信息,从而造成训练的模型依然存在分类歧视。本文为了消除由于属性之间的关联性造成的隐性歧视,提出了一种基于InfoGAN的对抗公平表示模型。模型训练中将公平性约束条件与精度损失结合,生成新的对抗编码表示。为了降低加入公平性约束对模型精度的影响,对模型的输入数据进行预处理。根据数据集中样本的分布特性筛选出对标签预测有决定性作用并且与敏感属性关联性比较小的属性组成隐含因子,剩余维度由随机噪声补齐。另外,通过生成器与判别器,生成器与对抗器之间相互博弈,使得编码之后的样本中不包含敏感属性的信息,有效的消除了由于属性之间关联性造成的潜在歧视。