为了改善传统支持向量机（SVM）对不平衡数据的分类效果，解决分类器对少类样本分类效果较差的问题，提出了一种复合SVM算法。该算法首先通过自适应合成采样（ADASYN）算法与不同错误代价（DEC）算法的结合，改善不平衡数据对超平面造成的偏移；然后引入一种新的修正算法对预测模型进行修正，提高预测模型对于不同数据特性的适应性。选择UCI数据库中的七组现实世界的不平衡数据集进行测试，实验表明在各个数据集上复合SVM算法性能均优于现有算法或与现有算法相当，分类性能平均提高了2.0%~20.9%，证明了该算法的有效性和鲁棒性。