互联网金融领域的快速发展给人们生活带来极大便利的同时,也暴露着巨大的信用风险。在金融领域中如何预测信用卡申请者是否具有欺诈行为已经成为当今金融机构需要解决的一大问题。金融风险防控正是在这样的背景下应运而生,金融机构可以对申请者建立风险评估模型,借助申请者的个人信息与社会活动轨迹来发现其潜在风险,从而减少自身的损失。然而,信贷预测是一个典型的数据不平衡的二分类问题,数据具有类别不平衡、特征维度较高的特征,目前现有的传统机器学习方法无法处理不平衡数据问题。因此,本文重点针对数据不平衡问题,从数据层面和算法层面进行改进,通过使用数据平衡方法与Stacking融合模型进行组合,构建信贷预测模型,本文主要研究内容如下:（1）构建信贷预测模型的预测特征。好的预测特征是算法获得出色预测结果的重要步骤之一,本文首先借助数据挖掘技术对信贷预测模型中的数据进行数据预处理操作,然后利用统计学知识从预处理后的数据中提取特征,最后通过使用随机森林算法对特征进行重要性排序来去除无关特征。（2）在数据层面提出了一种改进的SMOTE-ENN数据平衡方法。为了解决SMOTE算法在处理非平衡数据集时所产生分布边缘化的缺陷,本文在SMOTE算法的基础上进行改进,引入Borderline SMOTE算法与KNN算法进行有效结合,形成了一种SMOTE-ENN重采样方法来处理数据集不平衡的问题。本文已使用SMOTE-ENN重采样数据平衡方法与现有的采样方法进行横向对比,证明了SMOTE-ENN重采样方法具有更好的效果。（3）在算法层面提出了一种基于Stacking模型的多异质算法融合的信贷预测模型。本文主要挑选了KNN、支持向量机、Ada Boost、随机森林、XGBoost、朴素贝叶斯、Catboost、决策树、Light GBM九种机器学习分类算法,通过使用网格搜索的方法对九种分类模型进行超参数调优之后,择优从中挑选出分类效果较好的三种算法即随机森林算法、XGBoost算法和Light GBM算法三种算法。通过Stacking集成学习算法将这三种算法与逻辑回归算法进行融合形成Stacking融合模型,然后使用Stacking融合模型与SMOTE-ENN数据平衡方法进行组合构建信贷预测模型。最后本文使用信贷预测模型与其他单一机器学习算法进行对比来验证信贷预测模型的有效性,实验结果证明信贷预测模型的F1值比其他的机器学习算法都要高,因此信贷预测模型相比其他算法,其泛化能力更高,对欺诈用户识别更加准确。