脑卒中是一种严重影响人们身心健康的急性脑血管疾病,只有通过早期筛查和积极干预,做到早发现早治疗,才能将其危害降至最低。流行病学调查、经颅多普勒超声（Transcranial Doppler,TCD）和脑电图（Electroencephalogram,EEG）都是临床上筛查脑卒中的有效方式,但目前,对于筛查数据的分析和判别主要依靠人工进行,这样容易受到医护人员的临床经验以及主观因素的影响。因此,采用人工智能技术辅助脑卒中诊断治疗已成为当前的研究热点。由于脑卒中的筛查数据往往存在非平衡特性,会导致传统的机器学习失效,因此针对脑卒中非平衡数据,构建性能优良的分类模型具有重要的研究意义和社会价值。旋转森林是一种经典的集成学习算法,通过引入主成分分析（Principal Component Analysis,PCA）进行特征映射,在保证基分类器准确性的同时提升其多样性,从而提升集成学习的性能。本文面向三种不同模态的脑卒中非平衡数据,分别从算法层面和数据预处理层面出发,研究用于脑卒中非平衡数据分类的旋转森林算法模型。详细的研究工作如下:针对三个不同的脑卒中筛查数据集开展特征工程,为后续的模型分类做好数据准备。针对流行病学数据,结合脑卒中危险因素的相关知识,对其进行数据清洗;针对TCD数据,根据已有血流特征扩充构建新的组合特征,深入挖掘TCD数据信息;针对EEG数据,由于EEG信号极其微弱,具有非线性和不平稳性等特点,因此提取常见的脑电特征用于分类模型的输入。从算法层面构建代价敏感旋转森林模型。现实生活中,脑卒中的分类诊断问题具有实例相关代价敏感特性,因为误分类的代价不仅在类与类之间存在差异,而且在同一类的不同实例之间也存在差异。首先,本文根据脑卒中疾病特点设计了脑卒中代价矩阵,为分类模型引入代价因子。然后采用实例相关代价敏感决策树作为基分类器,构建传统的实例相关代价敏感旋转森林模型（Example-dependent Cost-sensitive Rotation Forest based on PCA,ECSROF＿PCA）,由实验结果可知,ECSROF＿PCA相比于已有算法能更大程度的节约成本,验证了旋转森林算法的有效性。从数据预处理层面构建旋转平衡森林模型。相比于代价敏感模型,数据重采样方法不考虑误分类的代价差异,因此更简单易懂,通用性更强。首先根据对比实验选择随机下采样作为数据重采样方法,用于后续和旋转森林结合构建分类模型。然后,考虑到传统的平衡旋转森林（Banlance Rotation Forest,Ban＿Ro F）在进行特征映射前就通过下采样平衡了数据,这样不利于模型充分利用数据信息找到更合适的映射空间,本文提出了一种先映射后采样的旋转平衡森林模型（Rotation Banlance Forest,Ro BF）,由实验结果可知,Ro BF相比于Ban＿Ro F分类性能有了进一步提升,并且测试时间更短,实时性更好。为了进一步提升旋转森林模型性能,本文首先引入有监督的线性判别分析（Linear Discriminant Analysis,LDA）代替原始无监督的PCA构建旋转森林模型。在代价敏感模型和旋转平衡森林模型上都验证了LDA映射方法的有效性,实验结果显示,基于PCA的旋转森林的召回率和特异性这两个评价指标差距都较大,而基于LDA的旋转森林可以更好的平衡这两个指标。然后,本文从PCA和LDA重构的特征空间以及原始特征空间这三个维度出发,提出组合旋转森林框架,旨在进一步增加基分类器的多样性,在代价敏感模型和旋转平衡森林模型上都验证了该思路的有效性。实验结果表明,本文提出的组合旋转森林模型能在控制模型复杂度的同时,进一步提升模型的分类性能。