对于随机森林算法，以下说法是正确的：

- **B: 随机森林算法对异常值和缺失值不敏感。**
- 随机森林通过对多个决策树进行集成，可以降低单个决策树对异常值或缺失值的敏感性。因此，它具有更强的鲁棒性，能够较好地处理异常值和缺失值。

- **D: 决策树之间相关系数越低、每棵决策树分类精度越高的随机森林模型的分类效果越好。**
- 随机森林的一个关键优点是通过构建许多不相关的决策树来进行集成学习。这意味着如果决策树之间的相关性较低，随机森林的性能通常会更好，因为集成的模型能够更好地捕捉到不同视角的信息，减少过拟合。

### 专业分析：

- **A: 随机森林算法的分类精度不会随着决策树数量的增加而提高。**
- 这个说法不完全正确。通常情况下，增加决策树的数量可以提高随机森林的分类精度。但在达到一定数量后，精度的提升会逐渐减小，甚至趋于稳定，这是因为进一步增加决策树的数量对模型的多样性贡献不大。

- **C: 随机森林算法不需要考虑过拟合问题。**
- 随机森林确实通过集成多个决策树来降低过拟合的风险，但这并不意味着完全不需要考虑过拟合问题。特别是在特征数量特别多或者决策树深度选择不当的情况下，仍然可能存在过拟合的风险。

综上所述，正确的选项是 **B** 和 **D**。