不平衡学习指在分类任务中不同类别的训练样本数目差别很大的情况。近十年来,这个领域越发的受到研究者的关注,近五年以来,更是呈现爆发式的增长。与传统分类任务不同,一方面数据的不平衡性会导致传统分类算法的性能大幅下降,另一方面,不平衡学习往往存在错分代价不均等的问题,故对不平衡学习的研究有重要的意义。之前的研究已经提出了大量的不平衡学习算法,但对于从后处理预测概率的角度提升少类的分类精度却鲜有研究。基于当前的研究,针对二分类和多分类问题,对不平衡学习中,少数类样本精度不高问题以及错分代价不均衡问题进行改进。本文主要通过两阶段的学习过程,对不平衡数据分类进行优化。第一阶段得到预测概率,第二阶段利用改进的花朵授粉算法对预测概率的进行优化,保证得到更好的分类结果。实验表明,在10个二分类真实数据集上,此方法能成功的提升少数类样本的精确度,具有很好的实际运用价值,在多分类中,通过人工数据集和真实数据集的验证,此方法都在少数类样本上取得了更高的精确度,并把此方法成功的应用在农场退出预测问题上,实验表明,该策略大幅度的提升了预测精度。