随着机器学习、深度学习等人工智能技术的不断革新。由互联网所带来的数据规模也在不断扩大。而这些网络数据一般格式各异,且普遍存在不均衡性。在当前人工智能领域中,不均衡的数据对机器学习算法来说是致命的,轻则模型效果直线下降,重则模型直接瘫痪。数据不均衡领域的研究仍有较大的意义。近年来,生成式对抗网络（GAN）横空出世,在图像领域、医学领域等都具有很大的贡献,比如风格转换、人脸生成、动漫图像生成等。本文提出一种基于生成对抗网络的非均衡数据集分类方法,生成器的功能是尽量拟合输入真实数据的分布,判别器则是尽量去判断样本是来自生成器还是真实数据,两者之间相互竞争共同提升,直到纳什均衡。使用GAN的强大生成能力可以扩增非均衡数据集中少数类样本。本文首先引入了生成式对抗网络模型,包括单层感知器、多层感知器、正向传播、反向传播、卷积层、池化层、激活函数等方法。但模型仍然会出现生成数据与原始数据差异大,导致模型的准确率、查全率、查准率等性能降低问题,所以本文对其进行以下改进:1)使用能量损失作为模型的损失函数;2)在能量损失的基础上,加入KL散度函数,保证所生成的数据与原始数据的先验假设分布相似;3)生成器使用的是噪声数据,融入去噪函数对目标函数做进一步优化。逻辑回归算法、支持向量机、Ada Boost算法都是机器学习较为常用的算法,本文使用这三个算法对原始不均衡数据集进行建模,对经过改进后的GAN均衡化数据进行分类建模,分别对比其模型的准确率、查全率、查准率、F1值等指标,并得到以下结论:（1）经过改进GAN模型均衡化后的数据集,其准确率、查全率、查准率和F1值都得到一定的提升,特别是查全率提升得较为明显,使用改进GAN模型能有效缓解不均衡数据对机器学习算法的性能影响问题。（2）经过改进的GAN模型均衡化后的数据集,在某些数据或某些算法中会使得模型性能下降,即改进的GAN模型所产生的新样本还是存在一定的噪声。（3）本文使用四个数据集、三个机器学习模型、四个模型评价指标进行实验,都表明经过改进的GAN模型可以有效缓解不均衡数据对机器学习算法的性能影响。