学习样本不均衡广泛存在于故障诊断、诈骗检测、网络攻击和疾病诊断等诸多领域的模式识别任务中,其对模式分类识别精度和学习模型的泛化性能等方面具有较大的负面影响。最优间隔分布机具有基础理论严密、泛化性能好等特点,对此本文基于核修正、特征工程和深度学习等多方面的理论和方法,提出了几种面向不均衡样本学习的最优间隔分布机模型。结合工业不均衡数据特征的融合提取架构,针对回转窑烧结过程中异常工况识别精度不高的问题,基于工业现场不均衡热工数据提出了一种高精度、鲁棒和低风险的烧结工况识别方法,对本文所提方法进行了工业应用验证。本文的主要工作和创新点如下:（1）样本不均衡条件下,常规分类算法学习得到的分类面通常向少数类区域扭曲,导致少数类样本的间隔分布较小,分类模型泛化能力不佳。对此,本文通过研究最优间隔分布机（ODM）的机理,基于核修正理论,构造了一种新型的基于样本间隔的保角变换函数对ODM核函数进行修正,提出了一种新型的不均衡样本分类模型mb KMODM。通过在二维可视化数据及UCI标准数据集上对该方法的性能进行了验证,试验结果证明,本文提出的mb KMODM可以较好的缓解不均衡样本引起的分类面扭曲,在平衡不同类样本分类精度的同时确保了模型的泛化能力。（2）基于样本间隔构造分类器的核修正保角变换函数,需要预训练标准分类器,但是在不均衡样本条件下,存在预训练得到的样本间隔不能可靠反映样本的空间分布等问题。对此,本文提出了一种核空间类边缘样本提取方法,通过采用样本与边缘样本之间的相对位置来代替样本间隔作为样本空间分布的表征,以此构造了一种新型基于核空间样本分布的保角变换函数,建立了一种不均衡样本分类模型bs KMODM。通过分析UCI数据集上模型的分类对比试验结果,证明了bs KMODM模型具有较好不均衡样本分类性能。（3）鉴于核空间边缘样本提取及其他样本与边缘样本之间的相对位置计算过程较为复杂,本文提出了一种核空间异类样本距离均值的计算方法。核空间异类样本距离均值可以直接通过核矩阵计算,计算效率高,对样本空间分布的反映更为精准。基于异类样本距离均值,本文重新设计了保角变换函数的构造方法,提出了一种不均衡样本分类模型dd KMODM。通过对核空间不同区域的空间膨胀系数进行可视化分析,并和多个最新模型在UCI数据集上进行对比试验,验证了dd KMODM通过调节核空间分辨率来均衡不同类样本影响的能力,并证实了dd KMODM具有较低的计算复杂度的优势。（4）复杂工业现场不均衡原始数据的存在通常导致得到的模式特征可分性不高、样本决策边界不清晰等问题。鉴于此,本文提出了一种深度融合专家先验知识和数据隐藏信息的不均衡多变量时序数据特征提取框架。该框架充分考虑了复杂工业过程数据常见的大延迟和不同模式的数据体量不均衡的特性,主要包括数据延迟特性分析、融合专家先验知识和数据隐藏信息的模式分类特征提取及特征约减三个主要部分,并在回转窑热工数据工况特征提取任务中进行了应用验证。通过对比分析降维后的单一特征与融合特征的可分性,证明了本文提出的融合先验知识与深度信息的不均衡数据特征提取框架的优越性。（5）回转窑生产现场不同烧结工况发生的频率不一样,正常工况发生概率远高于异常工况,各种烧结工况模式的样本是不均衡的,普通分类算法对异常工况检测的准确率不高。基于论文提出的不均衡样本分类模型和不均衡数据特征提取框架,本文提出了一种基于不均衡热工信号的回转窑烧结工况高精度、鲁棒和低风险识别算法。通过真实热工数据试验及工业现场应用,验证了本文所提方法的有效性。