信用卡交易在日常生活中越来越普遍,同时信用卡欺诈的数量也在激增。每年大量的信用卡欺诈事件都给银行和个人带来巨大的损失。传统的信用卡欺诈检测方法大部分是基于规则的专家知识系统来检测欺诈行为。一般来说,专家系统的结构相对固定,不容易泛化,只能检测出简单的欺诈模式。相比于专家知识系统来说,机器学习的模型更复杂,泛化能力更优秀并且对数据有更强的表征能力。所以机器学习方法能够有效地检测出更多的欺诈模式。越来越多的学者开始用基于统计的机器学习方法来检测信用卡欺诈。在使用机器学习方法来检测信用卡欺诈时,有许多问题和挑战需要我们面对。首先信用卡交易是一种时间序列模型,怎样提取能够有效表征信用卡交易模式的特征是欺诈检测模型要解决的重要问题。另外信用卡交易存在严重的数据不平衡问题,欺诈样本的数量远远少于正常样本,采用什么样的方法来平衡正负样本比例是提高欺诈检测准确率的关键点。我们开发了一个基于CNN的信用卡欺诈检测系统,从有标签的数据中学习欺诈行为的内在模式。我们将大量的交易数据表征成特征矩阵的形式,从而能够应用卷积神经网络来提取高阶特征。在本文的特征工程模块,我们提出了一种名为交易熵的特征。该特征能够敏锐地捕捉信用卡用户近期交易行为的变化。针对数据不平衡问题,我们采用了一种基于代价的采样方法来提高欺诈样本的比例。同时为了更好地利用大量的正常交易数据,我们采用了bagging集成方法训练出多个卷积神经网络模型并对这些模型的预测结果进行平均得到最终的欺诈评分。融合多个分类器的方法能够显著提高模型的鲁棒性。本文中大量的实验数据来源于一个商业银行的信用卡交易数据。我们使用F1-score和ROC曲线作为实验结果衡量的指标。最终实验结果表明,本文提出的算法与其他算法相比在效果上有了很大的提升。