以数据的爆炸式增长为根本,以信息技术和计算机网络等高新技术发展为标志,人类社会已经步入了一个崭新的数据时代.如何在这些海量数据中挖掘出有价值的信息并将其分门别类显得尤为重要.尽管机器学习与数据挖掘技术逐渐成熟并用于解决复杂的实际问题,但仍面临着诸如数据类分布不平衡和数据属性缺失等问题的挑战.为了获得完整且易于分类的数据,数据重采样技术应运而生.模糊分类规则作为模糊集合理论的一个重要研究内容,可以较好地表示数据的分布特征和因果特性,在分类问题中有重要的应用.传统的重采样技术难以显式地表示出数据属性之间的相关性,且合成的新数据也不能判定处在合理的区域.因此,本文通过模糊规则学习训练数据的结构特征,以甄别出少数类数据和多数类数据的分布区域.进一步地,为了有效解决数据的类不平衡问题,本文提出一种新的数据重采样技术以增加少数类数据.其基本思想是先通过模糊规则刻画少数类数据的分布,每个模糊规则对应一个模糊置信区域,然后在此区域中合成新的数据.为了验证本文提出的过采样技术的有效性,在55个公共不平衡数据集上与其他六种过采样技术进行对比分析,实验结果表明新的算法在统计意义上明显优于其他方法.对于包含缺失值的不平衡数据,本文提出了一种类模糊推理方法用以恢复缺失数据.该方法与传统模糊推理方法的主要区别在于前者是用于产生新的数值属性值而不是预测类标签.其基本思想是在模糊规则集中找到与每条缺失数据最匹配的模糊规则,再利用该规则填补缺失的属性值.最后我们仍然进行了大量的实验验证该方法的性能,实验结果表明该推理模型设计合理,具有良好的填补效果.本文提出的过采样算法中包含特定参数——模糊划分粒度.结合实验对比分析和遗传算法的寻优结果,该算法具有较强的鲁棒性,对参数选择的依赖性不强,且得到了一个合理的参数值.为进一步利用模糊知识研究多类或者多标签数据提供了成功的实践经验.