在智能电能表实现准确的故障分类，对于实现计量设备准确、主动的运行和维护，帮助实现国家双碳的目标具有重要意义。不同故障类型的仪表样本数量极不平衡，故障数据在超维特征空间中呈现出多模态分布和多类数据重叠的特点，这给故障分类决策的准确边界划分带来了很大挑战。提出了一种基于样本迁移和重叠区域边界增强的智能电表断层分类方法。本文提出的整体样本均衡的思想，有助于分类器从少数类样本和多类样本的边界分布中直接学习出多类样本的特征。首先，设计了变分自动编码器（VAE）隐式编码的跨域一致性约束，构建了由共享隐式编码空间的两对VAE组成的跨类别样本生成网络，通过生成对抗机制，使模型更好地了解不同类别之间的共性和差异。在此基础上，提出了一种数据重叠区域边界增强的故障样本生成技术，通过引入欧氏距离最小化约束迁移，生成新的少数样本，与特征空间中的原始多数样本形成更清晰的分类边界。在20个KEEL不平衡分类公共数据集和智能电表实际故障数据集上的大量测试结果表明，与许多典型方法相比，该算法在处理不平衡分类问题上具有显著优势。