大数据和人工智能等技术推动了金融支付的极大发展,信用卡使用率的不断增加给社会带来利益和便利,信用卡支付在中国正在快速普及。与此同时,信用卡欺诈交易的案例也在急剧上升,仅中国每年的损失就已超过百亿美元,这严重阻碍了金融行业的长久发展。面对日益严峻的信用卡欺诈犯罪,信用卡欺诈检测系统面临着巨大的检测压力,如何尽可能的阻止欺诈交易成为了行业与监管部门的重点工作。随着数据挖掘和机器学习等技术的发展,研究人员使用相关技术来解决欺诈交易问题受到青睐,取得了大量研究成果。由于信用卡欺诈交易由于频次低,危害大的特征。本文详细阐述了信用卡欺诈检测问题及国内外的欺诈检测模型和算法,其研究的难点主要在于:1.信用卡欺诈交易占比极小,数据类别的分布呈现高度不平衡的特性,而且正负样本在特征信息上高度重合,难以分辨,甚至存在错误分类的情况,令分类算法不能有效的识别欺诈交易;2.数据普遍存在概念漂移的问题,缺乏适应性,由于持卡人的消费观念和消费习惯可能发生转变,另外,不法分子经常更换欺诈策略来应对监管,使得欺诈检测系统不能适应新的特征属性及规则。基于上述分析,本文的主要研究工作如下:(1)针对信用卡欺诈检测的现有难题,本文在总结了上采样和下采样的优缺点后,提出了一种新的综合采样算法,该算法利用高斯混合分布和K近邻的思想对多类数据进行下采样,再根据ADASYN自适应的合成新样本对少类数据向上采样,最后综合两部分数据形成新的训练集。在实验结果上表明本文提出的综合采样算法在AUC和G-Mean两项指标上具有提升效果,说明该算法具有较好的表现。(2)深度森林算法在表征学习和上下文理解等方面具有优势,本文在此基础上添加了基学习器,并将AUC作为评价级联性能以及控制级联增长的标准,提出了SCForest,这是一种可扩展级联结构。将SCForest和新提出的采样算法结合,构建了一个信用卡欺诈检测模型。实验结果表明该模型在信用卡欺诈数据集上较之于其他模型具有优秀的综合性能。