信用卡欺诈交易的检测一直以来是学术研究界的研究热点,其研究目的是根据用户的交易行为,判断用户是否存在欺诈情况,并及时给予反馈,以保障信用卡发卡行与持卡人的财产安全。但是由于信用卡交易数据样本的高度不平衡性,欺诈检测系统有时难以及时识别,并制止欺诈行为。随着机器学习的发展,有很多学者利用机器学习技术,对欺诈检测领域进行研究,先后提出了许多提高信用卡欺诈检测系统准确性的方法,但在信用卡欺诈检测中始终面临着数据不平衡,以及检测困难的问题。本文为了解决上述问题,将重采样与异常检测技术相结合,构建信用卡欺诈交易的检测模型,具体的研究工作如下:（1）提出了基于近邻几何空间的混合采样方法（简称K-G-SMOTE）,以构建平衡的信用卡交易数据样本集。针对信用卡交易样本不平衡的问题,本文在结合了过采样和欠采样优点的基础上,提出了K-G-SMOTE,方法通过样本距离对正常交易样本（多数类样本）进行了聚类,根据聚类中心构建平面几何空间,在空间中抽取80%的样本数量,完成欠采样;再通过近邻样本选择策略,为欺诈交易样本（少数类样本）构建超球体几何空间作为生成空间,设置超参数构造截断面,以不断缩小样本生成空间的大小,最后在空间内生成合成样本,完成过采样。实验结果表明:所提出的K-G-SMOTE方法在综合准确率上优于其他实验选用方法,并且精确率达到了93%,在解决数据不平衡,以及单独使用重采样技术所带来的拟合问题上具有有效性。（2）提出了基于全局异常检测的信用卡欺诈检测模型（简称G-ADOA）,以提高信用卡欺诈检测的准确率。针对信用卡欺诈检测困难的问题,本文在部分异常样本检测算法（ADOA）可以较好保留样本异常特征的基础上对其进行了改进,提出了G-ADOA欺诈检测模型。模型利用K-G-SMOTE方法增加欺诈交易样本数量,将ADOA针对部分异常的检测方式扩展为针对全局的异常检测,克服了该算法在检测过程中信息获取具有局限性的问题,同时为了进一步提高检测的准确性,模型使用局部异常因子（LOF）算法与孤立森林（IF）算法改进了样本异常程度的计算方式,并通过聚类形成欺诈交易样本类,计算样本与欺诈交易样本类的相似程度,最终根据样本异常程度与相似程度构建标签,设置标签置信度,构建了一个多分类的信用卡欺诈检测模型。实验结果表明:G-ADOA模型与未改进的AODA模型相比,在实验指标上均提升了4%左右,其中精确率（Precision）超过了98%,模型有效地提高了欺诈检测模型的精确率,在克服信用卡欺诈检测困难问题上具有有效性。