随着互联网的迅猛发展,金融业不再是传统的产业形态,而是发展了众多以信息技术为依托的新型金融产品和服务,如移动支付、P2P网络借贷、众筹融资等。然而,这些产品和服务为人们带来便利的同时,也伴随着更加复杂多样的金融交易风险,金融风险防控面临新的考验。近年来,随着人工智能和大数据技术在金融业中的普及,以深度学习和集成学习为代表的机器学习方法被应用于金融交易风险防控。这些方法替代了传统的依靠金融监管人员人工识别的方法,大幅度提高了风险识别的效率和准确率,却仍然存在一些亟待改进的问题。首先,金融交易风险数据往往是不平衡的,高风险的交易行为在所有交易行为中仅占极小部分,这给风险识别模型的建立带来了困难和挑战。其次,金融交易风险数据具有数据维度高、冗余程度大、内在关联性强等特点,现有的模型构建方法忽略了特征之间关联信息的捕捉,特征的内在价值没有被充分利用,导致模型的泛化能力较弱、识别性能有限等问题。针对以上这些问题,本文提出了一种面向金融交易风险数据的数据平衡方法,该方法使用了生成对抗网络的变体WGAN对少数类样本进行数据增强,使用聚类方法对多数类样本进行欠采样,从而改善数据集的平衡性。实验结果表明,相比于以往的技术手段,该方法能够进一步提升训练数据的质量,从而改善后续分类模型的整体性能。除此之外,本文还提出了一种基于多视图集成学习的金融交易风险评估方法,该方法使用聚类的思想确定视图划分的标准,通过视图内特征的分布情况确定视图的决策权重,有效规避了传统随机子空间方法的缺陷,然后在每个视图上训练梯度提升树作为最终集成学习模型的基分类器。实验结果表明,该方法有着良好的风险评估效果,并且优于该领域中广泛应用的机器学习方法。