识别企业失信问题是规范市场经济的重要保障,也是构建良好的经济贸易环境的前提。一般研究的分类问题是一些类别分布平衡的数据集,但是失信企业识别问题却是两类数据分布不平衡的数据集,因而会导致训练的模型预测的结果更加偏向于类别数据多的那一类。为了解决失信企业数据集中类别分布不平衡的问题,提高模型对企业是否失信的正确识别率,本文引入过采样来增加小类别数据中所包含的特征信息,使训练模型需要的两类数据量达到一个平衡,在此基础上再引入投票机制对多类学习器进行组合,使得子学习器之间优劣互补形成新型模型。此外,还引用其他多种模型对数据集进行学习,然后按照统一标准对所有模型进行评估,将模型的准确率、一类/二类错误率作为评价标准进行比较,表明我们的基于投票机制的新型模型具备更好分类鲁棒性。