数据分类是机器学习领域最为基础的研究方向之一。作为一种基础的数据处理方法,二分类已经广泛应用于实际生活中的数据的智能化处理。传统的二分类方法通常假设数据类别分布均衡且每个类别的错分代价相等,但在很多的实际问题中少数类具有更高的错分代价。当利用传统的分类算法处理不平衡数据时,由于多数类和少数类在数量上的不平衡,以总体分类精度最大为优化目标会使得分类模型偏向于多数类而忽略少数类,造成少数类的分类精度较低。在此基础上,现实数据集中还会出现相当一部分的噪音数据样本,其中标签噪声最为常见,标签噪声样本会严重影响到分类器的训练。进化算法作为一种元启发式算法,且具有良好的并行性和较强的全局搜索能力,是非常适合用于训练分类模型。基于此,本文从进化多目标优化算法的角度提出了基于动态参考点的最大化ROC(Receiver Operating Characteristics)凸包算法和基于多目标优化的鲁棒分类器的设计与实现,现将本文的主要工作和成果总结如下:(1)ROCCH(Receiver Operating Characteristics Convex Hull)是常用的分类器性能分析技术,对于解决数据分布不平衡的任务尤其有效,ROCCH性能的最大化是一个双目标优化问题,已经被一些多目标优化算法(MOEAs)所解决。然而,现有的MOEAs在获得ROCCH的过程中会遇到一些困难,因为ROCCH总是凸的,而用MOEAs的Pareto支配关系得到的前沿面有些是凹陷的。在本文中,我们提出了基于动态参考点的进化多目标算法用于最大化ROCCH,根据解到参考点的距离排序而不是Pareto的支配关系排序,因此会获得一个真正的ROCCH而不是Pareto前沿面。此外为了算法获得更好的收敛率,在算法迭代过程中参考点会自适应的移动。实验结果表明,在最大化ROCCH方面该算法能够获得比当今主流的MOEAs更好的实验结果。(2)机器学习中的分类需要大量有标记数据的支持,而实际数据中往往带有未知比例的噪声标记,会直接影响分类器的最终结果。为了在含有噪声样本的数据集中获得性能较好的分类器,本文提出了噪音环境下具有鲁棒性的最大化ROC凸包算法。在算法迭代过程中,首先用聚类的方法获得部分纯净的训练子集,并在纯净的训练子集中训练一组种群,然后在原始含有噪声的训练集中再训练一组种群,通过计算得到两个种群的中心点,进而找到两个种群的中心点的方向向量,通过把噪音率和扰动个体与中心点的余弦相似度之和近似为种群扰动步长的策略,在原始含噪的训练集中训练得到的种群向纯净子集训练出的中心点进行扰动。实验结果表明,该方法可有效提升分类器的训练效果,使分类器具有抗噪性,从而使分类器具有一定的鲁棒性,此外,该方法具有一定的通用性,可嵌入大部分主流的进化算法来使ROCCH最大化。