随着互联网技术方法与金融业的联系愈发密切,支付方式得到了全面升级,极大的提高了用户支付的便利性,以第三方支付服务为代表的网上支付已成为主流的消费模式之一。但随着订单规模不断扩大、交易金额不断攀升,网上支付存在的风险也越来越多样化,风险识别已成为近几年支付领域的研究趋势。网上支付数据集数据量级大、特征维度高、数据分布极不平衡、数据间的长依赖性等都是风险识别研究中要解决的重难点。本文主要围绕网上支付风险识别问题中数据分布不平衡和数据间的长依赖性特征两大重难点展开研究,分别从数据层面解决分布不平衡问题,从模型层面解决数据集的长依赖性问题。首先,针对网上支付数据集的分布不平衡问题,本文提出了一种新的采样技术GMM-BSMOTE来扩充少数类样本。该方法考虑到了数据的类内分布,重视边界样本的生成。对不同平衡度数据集实验的结果表明,该方法提升分类器分类性能的优势明显,且在不平衡度较高的情况下依旧有效。其次,针对网上支付数据集的长依赖性特征,本文构造了 LSTM-AdaBoost风险识别模型,以LSTM为基分类器,构建强学习器识别风险。本文通过真实的网上支付数据集验证模型效果,在GMM-BSMOTE处理后的数据集上,将LSTM-AdaBoost风险识别模型与其他常见的分类算法进行对比,结果表明LSTM-AdaBoost模型能够有效识别风险,尤其是Recall、F1和AUC的指标值都优于其他模型。本文还对LSTM-AdaBoost 模型在不同过采样方法下的风险识别效果对比,结果表明,GMM-BSMOTE方法可以有效提升LSTM-AdaBoost模型的风险识别效果。