信用卡诈骗侦测是银行风险管理的重要内容,随着信用卡的普及,其交易数据也在上涨,其中多数交易是正常数据,欺诈交易只占少数分,但是这极少的欺诈交易带来的损失是巨大的。因此,有效的侦测出信用卡诈骗交易是极为重要的。信用卡诈骗检测实际上是一种不平衡分类问题,小类样本才我们关注的重点,因此,提高对小类样本的识别率是解决不平衡分类问题的关键。本文概括和总结了现有不平衡分类方法,总结了这些方法的优缺点。针对传统单个分类器在不平衡数据上分类效果有限这一问题,基于生成式对抗网络和集成学习方法,提出了一种新的针对二类不平衡数据集的分类方法——WGANBoost算法(Wasserstein Generative Adversarial Nets-Adaptive Boosting,WGANBoost)。首先,利用WGAN训练得到生成模型,生成模型生成少数类样本,降低数据的不平衡性;其次,将生成的少数类样本带入自适应增强模型框架,更改权重,改进了自适应增强模型,提升了以决策树为基分类器的自适应增强模型的分类性能。使用受测者工作特征曲线下面积(AUC)和F measure作为分类评价指标,在验证数据集上进行实验,与其他经典采样算法进行对比,WGAN作为采样方法表现效果较好,与经典分类模型进行对比,证明WGANBoost可以应用于不平衡分类问题,并且效果有所提高。最后应用于信用卡诈骗数据集,与其他模型进行对比,证明该模型可以有效解决信用卡诈骗的不平衡分类问题。