在处理分类问题中的数据不平衡时，选用合适的方法可以提高模型的性能。针对你的问题，以下是每个选项的分析：

A: **将负样本重复10次，生成10w样本量，打乱顺序参与分类**
- **分析**：虽然这样可以使正负样本数量相等，但会导致过拟合，因为模型可能会过度学习重复的负样本信息，导致泛化性能下降。

B: **直接进行分类，可以最大限度利用数据**
- **分析**：如果直接进行分类，模型倾向于更关注数量较多的正样本，可能会导致负样本的识别率低。因此，这种方法在数据不平衡的情况下通常效果不好。

C: **从10w正样本中随机抽取1w参与分类**
- **分析**：通过均衡样本量来处理不平衡问题，但这种方法会丢失大量的正样本信息，可能导致模型无法充分学习正样本的特征。

D: **将负样本每个权重设置为10，正样本权重为1，参与训练过程**
- **分析**：这种方法通过赋予负样本更高的权重，来平衡正负样本的重要性，使得模型在训练过程中更加关注数量较少的负样本。这种方式通常能够有效改善模型的性能。

**正确答案**: D

通过调整样本权重，能够在不改变原始样本数量的情况下，让模型更加关注少数类样本，是处理数据不平衡问题的常用有效方法。