银行拥有大量的信用贷款数据,大数据时代运用信用评分模型去准确地判断申请人的信用风险是未来发展的趋势。在实际的信用评分数据库中,信用好的申请者通常都比信用不好的申请者多很多,从而导致了数据集的不平衡,而机器学习在不平衡数据集上的训练往往对小类的识别率比较低,错误地给予信用不好的申请者贷款会给银行带来巨大的商业危害,因此提高分类器对小类的识别至关重要。本文提出了一种基于混合重抽样和Boosting算法的新模型HSBoosto第一阶段,对不平衡数据集进行混合重抽样处理,从而获得平衡的样本训练集；第二阶段,利用Boosting算法更改容易被错误分类的小类样本的权值,从而来提高分类器对小类样本的识别能力。本文利用UCI数据库的信用评分数据集,运用HSBoost算法做实证分析,用SVM、BP神经网络、DT作为基本分类器,对比已有的RUSBoost算法、SMOTEBoost算法、混合重抽样技术和两种基本重抽样技术,验证了HSBoost算法的有效性和可行性,提高了分类器对小类的识别率。同时利用非参数Wilcoxon配对符号秩检验,证明了HSBoost算法显著优于SMOTEBoost算法。