互联网商业的广告业务一直是其重要收入业务之一,而广告的点击率（Clickthrough Rate,CTR）往往是广告主和广告平台做出决策的重要参考标准。无论是对于互联网商业平台还是广告主,要获取利益最大化,就需要尽可能的将广告投放到产生较高点击频率的曝光机会上;而对于用户来说,过多无关杂乱的广告会极大的降低体验度,导致不满情绪激增。所以准确预测广告点击率有助于企业平台对广告的精准投放,增加广告主获取广告收益的机会,提升用户体验度。因此,CTR预估模型受到越来越多商家企业和研究人员的重视,逻辑回归模型作为点击率预估的基础模型。而广告业务数据往往存在数据量大、维度高和难以挖掘特征之间相关联系的问题。如何从复杂庞大的广告数据集提取出有效特征,选取高效准确的模型来提高点击率预测,是当前很多商家企业和研究人员容易忽视的问题。本文以此为背景,针对广告投放过程中CTR预估业务的问题,在常用的逻辑回归模型进行预测的基础上,提出基于XGBoost和LightGBM集成学习模型,设计实现了一套广告投放原型系统。具体研究内容如下:（1）本文使用某著名互联网科技公司的真实广告投放数据集作为基础数据集,从全局对数据进行了处理,并以图表的形式展示分析,在处理的过程中,清洗缺失值和异常值;（2）本文对原始数据集做深度挖掘,从广告、用户、用户——广告关联三个角度进行特征工程,将原本的33个特征扩充至156维。为防止特征过多发生过拟合现象,本文使用LightGBM算法对特征重要性进行筛选;（3）本文使用LightGBM和XGBoost两种经典分类模型分别构建广告点击率预测单模型,并使用Stacking进行模型融合。经过实验,对比logloss值,发现融合后的结果相较于单一模型的预测效果有较明显的提升;（4）本文基于广告点击率预测模型,设计并实现了一套针对广告CTR预测领域的广告投放系统。系统主要功能为预测广告被用户点击的概率进行广告库划分、进行个性化广告投放和系统管理等。本文旨在通过尝试开发机器学习和商业广告投放系统相结合的方式,将机器学习技术应用于商业广告系统中,从而实现辅助企业广告平台进行广告CTR预估,基本实现广告主获得营销收益、广告平台获得更高的广告收入、用户得到个性化推荐服务的三赢局面。实验结果表明融合后的CTR预测模型准确率较高,在广告点投放系统中提高了商业价值和预测准确性。