我国高校教育扶贫工作是国家精准扶贫政策中一项重要的内容。目前,国家教育扶贫工作主要包括贫困生的资格认定和贫困生贫困等级的划分。信息化管理系统的应用为贫困生数据信息的采集提供了很大便利,但由于这些贫困生数据未经有效处理,导致了大量的数据堆积,同时也存在着诸如数据缺失、数据噪声及数据冗余等质量问题。对贫困生数据进行科学高效管理,进一步利用数据挖掘方法提高贫困生认定及贫困等级划分的准确率,从而更有针对性地依据贫困等级对贫困生进行资助,对实现国家教育精准扶贫工作具有重要的现实意义。现有的贫困生认定分类方法大多采用人工认定方式或传统的机器学习算法,人工认定方式往往存在不科学、不精准及效率不高的问题,传统的机器学习算法很少考虑到各贫困等级的不同重要程度,导致高贫困等级学生的分类准确率不高,从而产生资助不公平的现象。本文以广西贫困生数据为研究对象,针对广西贫困生数据的预处理和贫困等级分类等方面开展研究工作,并提供合适的解决方案,主要内容如下:（1）针对广西贫困生数据存在的含有大量缺失值、属性分布不均匀、有噪声等质量问题,提出了一种基于特征选择的数据预处理方法DPFS。该方法包括数据准备、特征范围划分、特征组合和缺失数筛选四个阶段,首先是数据准备阶段,然后对准备好的数据通过使用特征选择算法划分特征范围,接着结合数据的真实属性分布均匀程度对特征进行组合,最后在缺失数筛选阶段以最大缺失数和分类准确率选取最优数据集。实验证明,该方法能够有效地提高数据集质量,较好地改善分类器的性能,为后续的贫困生等级分类模型训练奠定了数据基础。（2）针对贫困生认定分类中存在的数据不平衡问题,传统的机器学习分类算法未考虑不同类别的错分代价,在进行分类时往往偏向多数类而忽略少数类,导致少数类的分类准确率较低,从而使得高贫困等级学生分类准确率较低。综合比较传统的机器学习分类算法,其中CART决策树算法表现性能较优。本文提出了一种基于代价敏感的贫困生等级分类方法CSPSC,该方法通过在传统CART算法上引入代价,同时设置新的评价函数,对少数类赋予恰当的代价与权重,使得分类器在分类时能够更加关注少数类,构建了高校贫困生等级分类的新模型。实验结果表明,与传统的CART算法相比,CSPSC方法的高贫困等级学生的分类准确率提升了6%左右,更好地实现了高贫困等级学生的准确分类,有效解决了教育扶贫工作中出现的不公平问题,为教育精准扶贫和精准资助提供了参考依据。