针对不平衡图像分类中少数类查全率低、分类结果总代价高，以及人工提取特征主观性强而且费时费力的问题，提出了一种基于Triplet-sampling的卷积神经网络（Triplet-sampling CNN）和代价敏感支持向量机（CSSVM）的不平衡图像分类方法——Triplet-CSSVM。该方法将分类过程分为特征学习和代价敏感分类两部分。首先，利用误差公式为三元损失函数的卷积神经网络端对端地学习将图像映射到欧几里得空间的编码方法；然后，结合采样方法重构数据集，使其分布平衡化；最后，使用CSSVM分类算法给不同类别赋以不同的代价因子，获得最佳代价最小的分类结果。在深度学习框架Caffe上使用人像数据集FaceScrub进行实验。实验结果表明，所提方法在1∶3的不平衡率下，与VGGNet-SVM方法相比，少数类的精确率提高了31个百分点，召回率提高了71个百分点。

针对网页欺诈检测中特征的高维、冗余问题，提出一个基于信息增益和遗传算法的改进特征选择算法（IFS-BIGGA）。首先，通过信息增益（IG）给出特征重要性排序，设定动态阈值减少冗余特征；其次，改进遗传算法（GA）中染色体编码函数和选择算子，并结合随机森林（RF）的受试者工作特征曲线面积（AUC）作为适应度函数，选择高辨识度特征；最后，增加实验迭代次数避免算法随机性，产生最佳最小的特征集合（OMFS）。实验验证表明，应用IFS-BIGGA生成的OMFS与高维特征集合相比，尽管RF下的AUC减小了2%，但是真阳性率（TPR）提高了21%，并且特征维度减少了92%；同时多个常用分类器的平均检测时间减少了83%；另外，IFS-BIGGA的F1值相比传统的遗传算法（TGA）和帝国主义竞争算法（ICA）分别提高了4.2%和3.5%。实验结果表明，IFS-BIGGA可以进行高效特征降维，在实际的网页检测工程中，有效减少计算代价，提高检测效率。