世界经济的快速发展与各种金融自由化与国际化措施的推动,使得国内外信用卡市场不断成长,同时也伴随着信用卡欺诈交易以惊人的速度增长。如何能有效、快速、准确地识别出信用卡欺诈交易已成为目前金融界普遍关心的问题。由于信用卡欺诈数据的非均衡分布,使得经典的数据挖掘算法的分类性能不理想。本文在深入研究和分析信用卡欺诈数据特点的基础上,针对数据的非均衡分布特点,采用K均值聚类算法对多数类样本进行二叉分割,产生满足一定条件的叶子节点,然后将叶子节点与少数类样本结合生成新的子集,在保证无信息丢失与无噪声数据引入的前提下使其分布达到均衡。同时针对单一分类器的局限性,引入多分类器融合的思想,建立一个以C4.5为基分类器的Adaboost与Cost-sensitive结合的组合分类器模型。实验结果表明以上算法能够有效地改善非均衡分布的信用卡数据分类性能。由于信用卡欺诈数据类别非均衡分布的特点明显,少数类样本的存在使得整体精确度不能很准确地对分类结果进行评价。本文在对少数类样本的查全率和查准率进行分析的基础上,采用少数类F-Measure指标对结果进行评价。实验结果表明其能较好地符合信用卡分类的特性。