随着经济的高速发展和就业选择机会的增多,很多企业会面临员工流失的问题,从而对业务、成本、团队稳定和核心技术等造成负面影响。为降低员工离职率,当前企业大都基于统计分析使用支持度量和结构方程模型等方法来对员工离职趋势进行分析。这些方法通常仅对个人能力、薪资、工作环境和工作满意度等低维信息进行处理,没有考虑大数据环境下的员工其如年龄、性别、加班情况、旅游情况和公司满意度等诸多相关高维特征信息。而现有基于SVM的方法在对离职员工的高维特征数据集进行分类预测时,会受到员工数据正负样本数量具有非平衡性的影响,从而使得分类超平面偏向具有离职意向的少数类员工样本,导致对有离职意向的少数类样本的预测准确率下降、边界模糊和噪声污染等问题。本文针对目前SVM分类算法所存在的对非均衡数据集分类效果有限、错分代价相同以及泛化能力较弱等问题,分别提出了改进的自适应模糊C均值聚类算法（AFCM）,并结合SMOTE采样算法,对离职员工数据集进行先聚类后采样（AFCM-SMOTE）来合成更为准确的新离职员工样本。再通过利用SVM算法的核技巧,提出基于核空间的聚类过采样算法（K-AFCM-SMOTE-SVM）,并结合集成学习方法提出了针对不同类型企业数据的综合离职预测算法模型。论文研究工作的主要内容包括:（1）针对SVM算法所存在的面对企业员工的不平衡数据集时,分类准确率较低的问题,引入SMOTE过采样方法对企业员工数据集进行平衡度改善,并通过研究提出了一种改进的代价敏感加权算法,改善了SVM算法在分类过程对新生成的样本数据在分类过程中没有错误分类代价的缺陷。（2）围绕企业离职员工数据呈现多中心聚拢性的特点,论文在对离职员工数据集进行采样前,通过使用模糊c均值聚类算法来寻找离职样本的中心点,为了能够更准确地确定离职员工聚类类别的数值,提出了改进的聚类FCM算法,再结合SMOTE算法生成新的样本,使得新生成的离职员工样本更贴近真实数据,大大减少了噪音数据生成的几率。并在此基础上,利用SVM的核函数技巧将数据转换到高维特征空间后,再进行聚类和采样,得到了一种基于核空间的聚类过采样支持向量机分类算法K-AFCM-SMOTE-SVM,将原本分离的AFCM-SMOTE算法和SVM分类过程结合在一起,从而解决了原来先对离职员工数据进行采样的处理方法对SVM分类结果的影响很小的问题,并通过实验证明该方法对SVM分类准确率有很大的提升。（3）为了进一步提高K-AFCM-SMOTE-SVM算法在面对不同类型的企业数据时的分类准确率,本文引入了集成学习算法来增加SVM的泛化能力,并在原有的Ada Boost算法基础上,提出了基于新的构造评价的集成学习算法PIBoost,该算法改变了F-measure在计算准确率时将正类错分情况和负类错分情况的损失同等对待,因为在不平衡数据分类时,两者的重要性是不相同的,并结合了之前提出的全样本代价敏感加权算法,大大提升了SVM模型面对不同数据集时的分类准确率。实验证明论文所提出的基于核空间的AFCM-SMOTE-SVM算法在面对高度不平衡的企业员工数据时,分类结果F-measure和G-means得到了明显的提升,改善了只使用SMOTE采样方法生成的样本过于随机,容易产生噪音数据的缺陷,大大提升了采样结果的精确性。此外,论文提出了改进的集成学习算法也能有效地解决在针对不同类型的企业员工数据集时存在过拟合风险和泛化能力弱等缺陷。论文的研究成果在企业离职预测和员工管理等方面有较好的实践价值和应用前景。