信用贷款是国家用有偿方式动员和分配资金的重要形式,是发展经济的有力杠杆。信贷业务在银行业务中占据重要地位,尽管欺诈发生的可能性相对较少,但欺诈产生的影响却可能很大,阻碍着国家数字经济的平稳运行。信贷欺诈现象已经成为不容忽视的问题,因此研究及时准确的信贷欺诈检测方法至关重要。信贷欺诈检测属于异常检测的范畴,异常检测的痛点在于可用数据集中缺乏足够的异常样本,即数据集为类不均衡数据。随着基于深度神经网络的复杂数据生成模型的广泛应用,本文提出了一个两阶段的异常检测方案,在最大化挖掘可用数据有效信息的同时,以期在预测阶段达到检测分层的效果。该方案采用单分类器与二分类器结合的方法,其中基于GANomaly对抗生成网络的单分类器可以学习到非欺诈性交易的特征分布,并在预测阶段迭代筛除大概率属于非欺诈性类别的样本,以减轻判别难度。此外,本文通过条件Unrolled对抗生成网络模拟欺诈性样本的统计分布,对少数类进行过采样,使得原本不均衡的数据集达到均衡状态,以提升二元分类神经网络的判别性能。本文采取F1-Score指标评估预测结果的有效性。实证分析比较了条件Unrolled对抗生成网络和传统过采样算法的过采样效果,比较了本文提出的两阶段检测方案与其他机器学习方案的判别效果。实验结果证实了基于条件Unrolled对抗生成网络过采样技术的可行性及有效性,确定了单分类器与二分类器结合的检测方案的优势,说明了对抗式生成网络在非均衡数据集处理方面具有一定的优势。