非均衡数据的分类问题广泛存在于金融、医疗、电信等领域,而传统的分类方法如决策树、支持向量机等存在对少数类识别不够准确的问题。本文针对严重非均衡数据提出一种非迭代核逻辑回归的学习方法,不仅减轻了由于迭代所造成的运算负担,而且在模型训练中利用了基准的类别占比信息,避免了进行诸如欠抽样、过抽样等通常处理非均衡数据的方式,使得在数据规模大的非均衡数据情形下,可以方便的对核逻辑回归进行建模,构造具有稳健性的近似最小二乘逻辑回归分类器。理论研究表明,本文所提方法具有一定的优良性质。模拟研究及实证分析表明,我们提出的方法较经典的迭代方法在训练核逻辑回归时大大减少训练时间,同时在非均衡数据特别是严重非均衡数据时表现优于结合了欠抽样、过抽样的分类方法。另外对于核逻辑回归中的多个参数选取问题,本文采用正交表实验设计,大大减少了调参时间。