Las técnicas de sobremuestreo son ampliamente utilizadas para reequilibrar conjuntos de datos desequilibrados. Sin embargo, la mayoría de los métodos de sobremuestreo pueden introducir ruido y límites difusos para la clasificación de conjuntos de datos, lo que lleva al fenómeno de sobreajuste. Para resolver este problema, proponemos un nuevo método (FSDR-SMOTE) basado en Random-SMOTE y Desviación Estándar de Características para reequilibrar conjuntos de datos desequilibrados. El método primero elimina muestras ruidosas basadas en el criterio de Tukey y luego calcula la desviación estándar de características reflejando el grado de discretización de datos para detectar la ubicación de la muestra, y clasifica las muestras en muestras de límite y muestras de seguridad. En segundo lugar, se emplea el algoritmo de agrupamiento K-means para dividir las muestras de la clase minoritaria en varios subgrupos. Dentro de cada subgrupo, se generan nuevas muestras basadas en muestras aleatorias, muestras de límite y el centro correspondiente del subgrupo. Los resultados experimentales muestran que el valor de evaluación promedio obtenido por FSDR-SMOTE es del 93.31% (93.16% y 86.53%) en cuanto a la medida F (G-mean y MCC) en los 20 conjuntos de datos de referencia seleccionados de la biblioteca de aprendizaje automático de UCI.