本文针对在数据分布不平衡环境下,分类模型难以对样本类别进行高效、精准预测的问题,进行了一系列的研究。首先,对经典的不平衡数据集分类算法进行了分析与总结,对本文所使用的相关知识以及模型评价指标进行了详细叙述。然后,从噪声样本角度考虑,将k近邻的思想引入到噪声样本的识别中,提出KNN噪声样本滤除算法。从过采样角度考虑,针对过采样算法中存在的不足,对SMOTE算法进行改良,提出了基于改进SMOTE的不平衡数据集分类算法。接着,从减少算法运行时间和提升模型预测精度两个角度着手,将聚类算法与SVM算法相结合,提出一种基于聚类与SVM结合的不平衡数据分类算法。最后,在前述工作的基础上,将本文所提出的算法应用到人体姿态分类的实际问题中,提出基于不平衡数据分类的人体姿态分类算法,并进行对比实验验证其性能。在本次研究中,所做的主要工作如下:首先,为提高样本的合成质量,结合k近邻、聚类的思想提出基于改进SMOTE的不平衡数据集分类算法。该算法一方面根据k近邻思想,提出噪声样本识别模型;另一方面为平衡样本信息,同时在过采样过程中保证合成样本质量,该算法引入聚类的思想对合成样本进行及时修正。最后利用Ada Boost算法的优势,对平衡后样本集进行模型训练。通过与几种经典的不平衡分类算法比较,实验结果表明,该算法的分类效果更优、泛化性能更强。然后,从提升分类精准度和减少算法运行时间方面,提出一种基于聚类与SVM结合的不平衡数据分类算法。该算法的中心思想即为通过少数类样本的分布特征,对多数类样本进行欠采样操作。根据少数类样本的分布特点进行类簇的划分,并考虑到噪声样本的干扰问题提出类簇边界的定义。接着,在构建平衡类簇样本集过程中,该算法根据其类簇中所包含样本特点,提出对多数类样本采样的三原则。最后,选择混合核函数的SVM算法在每个平衡类簇样本集中训练分类模型,通过线性组合获得最终分类模型。实验验证表明,该算法不仅有效地提高了整体样本的预测精准度,而且算法的整体运行时间更短。最后,在前述工作的基础上,将本文所提出的算法相结合应用于人体姿态分类的实际应用问题中,提出一种基于不平衡数据分类的人体姿态分类算法。在ARe M人体姿态数据集上,与四种分类算法进行对比实验,结果表明,本文所提出的算法,可以很好地解决在真实人体姿态分布情况下预测精准度较低的问题。