不平衡分类描述了分类模型训练阶段的数据倾斜问题。不平衡指不同类别样本的数量相差悬殊,或者少数类样本表征了关键事件,需要分类器对少数类事件有更好的学习,不平衡分类问题广泛存在于异常监测、故障诊断等场景。本文对不平衡分类问题的产生和难点进行了分析,报告了不平衡分类方法的研究现状,并针对高速公路护栏碰撞监测系统开发中遇到的实际问题,开展了不平衡分类方法的研究与应用。为实现对高速公路护栏碰撞事故的及时报警和准确定位,设计了以分布式光纤振动传感技术为传感单元、以机器学习技术为识别单元的高速公路护栏碰撞监测方案。一般的,道路正常运行的护栏振动信息较容易获取,而碰撞事故的护栏振动信息采集却存在很高的安全风险和经济成本,因此得到的用于机器学习分类训练的数据集表现出严重的类别不平衡,难以满足分类模型训练的条件。本文从数据层面出发,结合对现有过采样方法的分析总结,提出了一种集成数据降维的过采样方法优化思路,并设计了基于田纳西-伊斯曼过程数据的仿真对比实验。实验结果表明,结合流形学习局部保持投影（LPP）的合成少数过采样技术（SMOTE）显著提升了分类器在不平衡分类场景下的预测性能。在实验基础上,总结得到了LPPSMOTE过采样方法。为验证LPPSMOTE过采样方法在实际环境中的适用性,首先,搭建了用于高速公路护栏碰撞监测的分布式光纤振动传感系统;其次,在真实高速公路环境进行了模拟碰撞实验,采集了大量数据并完成了数据处理与样本划分;最后,设计开展了基于碰撞数据的不平衡分类实验。在相同实验条件下,使用LPPSMOTE方法处理的数据集训练分类模型,相较于使用原始数据集和SMOTE方法处理的数据集,预测准确率分别提升了11.2%和6.2%。实验结果表明,LPPSMOTE过采样方法可以作为一种通用的不平衡分类方法,并应用在高速公路护栏碰撞监测系统中。