随着科技的进步,我们已经进入了海量数据的时代,人们生活的方方面面都会产生海量数据,这些数据属于各种各样的类别,在现实生活中这些类别下的数据大多数都是非平衡的。例如病例诊断,天气气候分类,野外稀有物种的检测、垃圾短信检测等。如何有效准确地分类这些非平衡数据就变成如今一个非常热门的研究领域。绝大多数的分类算法在分类时会偏向多数类别的群体,而对少数类别分类效果不好,在一些极端情况下甚至会完全忽略少数类别。针对非平衡数据分类问题,研究将生成对抗网络（Generative Adversarial Network,GAN）应用在非平衡数据分类问题中非常有意义。本文的主要工作如下:1.提出了改进辅助分类器生成对抗网络（Auxiliary Classifier GAN,ACGAN）的两类非平衡数据分类方法,本方法在ACGAN判别器的分类过程中引入了代价敏感性的思想,通过预测输入的样例是负类（多数类）样例还是正类（少数类）样例,对判别器函数加以改进。若判别器将正类样例错误分类为负类样例,则加大对其的惩罚力度,如果判别器将正类样例正确分类则减小惩罚力度。用这种方法来挑选出被错分类的样例并让网络对其继续训练,可以使生成器学到更多的样例特征,并扩充正类（少数类）样例,目的是为了提高判别器的分类精度更好的分类两类非平衡数据集。2.提出了基于条件生成对抗网络（Conditional Generative Adversarial Net,CGAN）的一种渐进上采样方法,该方法在CGAN原有的网络结构基础上,以迭代方式渐进对正类样例上采样。首先,从负类样例子集中采用不放回抽样方式,随机抽取一个负类样例的子集,与正类样例构造一个两类平衡训练集,然后,在平衡的训练集上训练一个带分类器的生成模型,最后,用训练好的生成模型生正类样例,以实现对正类样例的上采样;经过若干次迭代渐进上采样,以提高分类器的分类精度,用于两类非平衡数据分类。为了证明本文提出方法的准确性,在MNIST、Fashion-MNIST和CIFAR10这三个数据集上进行了实验验证,并与其他方法进行了实验对比,提出的两种改进方法在MNIST数据集上都获得最高的分类精度。在Fashion-MNIST数据集上,渐进上采样CGAN的分类精度要更高。在CIFAR10数据集上,两种方法的分类精度对比改进前的基础方法都有所提升。综上所述,本文提出的方法在这三个数据集上取得了比其他方法更准确的分类精度。