在现实生活中,存在大量的样本类别不均衡数据,比如信用卡欺诈数据、罕见疾病数据等。基于不平衡数据的分类,称为不平衡分类,分类器倾向于学习多类样本的特征而忽视少类样本的特征,导致所训练出的分类器易将样本都预测为多类样本,难以识别少类样本,而少类样本往往具有重要价值。现有的解决不平衡分类问题的方法,主要分为两个方面:数据层面和算法层面。数据层面的方法,通过对不同类别的样本数量进行更改,使得数据集中各类别的样本数量变得相对平衡;算法层面的方法,通过增加少类样本的权重,提高分类器在训练过程对少类样本的重视程度。本文提出一种新的数据层面的方法。将生成对抗网络（Generative Adversarial Nets,简称GAN）从图像等非结构化数据迁移到支付风险数据等结构化数据,以GAN的变种WGAN-GP作为数据增强模型,增加少类样本的数量,使得样本类别达到平衡,以解决结构化数据不平衡分类问题。为验证本文所提方法的有效性,本文使用真实的用户支付行为数据进行验证,并采用Precision、recall（TPR）、TNR、F-measure、G-mean等五个指标作为不平衡分类的评价指标,对所提算法的性能进行度量。同时,采用传统不平衡分类中的SMOTE算法、Bootstrap算法作为对比实验。实验结果表明:本文所提的方法,相比原不平衡数据集,所训练出的分类器的性能有一定提升;与SMOTE算法、Bootstrap算法相比,本文所提方法能够在提升对少类样本的识别能力的同时,保证多类样本的识别精度不下降。