随着机器学习和数据挖掘的快速发展,越来越多的研究通过学习挖掘海量数据中的规律和特征,来实现更加准确的预测和推断。对海量数据进行自动分类能够大大的提高人们获取信息的效率。传统的分类方法是建立在类分布大致平衡的假设基础上,然而,现实生活中的很多数据都是不平衡的,例如癌症检测、网络攻击识别等,因此,不平衡数据增强算法的研究课题,近两年来受到越来越多的关注。现有的解决不平衡数据分类问题的主流方法有采样和集成学习相结合的方法,例如SMOTEBoost、RUSBoost、EUSBoost等算法。以上算法在初始化时给每个样本赋予相同的权重,然后分别训练分类器,根据误差率的反馈不断地调整样本的权重,最后得到表现较好的分类器。这些算法在某些特定情况下会过度依赖原始数据集。针对上述问题,本文中提出了用生成式对抗网络进行数据增强以解决不平衡数据分类的问题。本文主要贡献如下:(1)针对训练数据集样本不足的情况,提出了基于GAN的不平衡数据增强算法,利用该算法生成图像组成新的数据集,然后提取图像特征并分类,实验证明,生成的图像在样本多样性上有较好的效果,并且通过该方法进行数据增强后,数据的分类结果有了较好的提升。(2)针对生成的数据中部分图像质量不高,从而影响最终分类结果的情况,提出了基于GAN的集成学习的不平衡数据增强算法。利用ENN和Tomek Link进行数据选择,提出一个基于投票的集成学习分类器模型。这个分类器将多个单学习分类器结合起来,得到一个统一的集成学习分类器模型。通过这个方法,能够获得更准确、稳定、鲁棒性更好的分类结果。论文上述的两个研究通过实验验证都达到了预期的目的,在四个数据集上进行实验,实验结果表明基于GAN的不平衡数据增强算法的分类精度有明显的提高,同时还能有效地合成逼真的图像。