随着经济社会发展,在众多消费场景中,人们习惯使用信用卡进行支付。信用卡给人们日常生活带来了极大便利,与此同时,部分用户无节制地透支信用卡进行提前消费的现象也层出不穷。信用卡逾期未还问题是当前信用卡业务主要风险之一。因此,商业银行必须保持信用卡业务规模高速增长,亟需加强对信用卡用户的风险管理,才能保持信用卡业务健康良性发展。本文数据来源于某银行真实信贷业务,数据不仅具有特征维度高的特点,而且还存在用户类别（逾期和未逾期）分布不均衡的问题。面对信用卡用户数据集的高维不平衡特性,本文给出了许多数据预处理的特征工程技术（其中对匿名字段具体化处理为一个创新点）、运用模型集成学习方法构建分类器,在融合模型上取得了高精度的分类效果。首先,本文对信用卡用户数据进行预处理,包括对原始数据中的异常值与缺失值进行删除或替换、对离散变量和连续变量进行特征组合等。特别的,本文把匿名字段视作连续型字段,并将匿名字段与用户区域特征相结合,构建出反映用户在不同区域间差异的新特征,从而解决了匿名字段信息稀疏的问题。其次,本文对高维不平衡数据的预处理方法进行探究,研究了采样方法和特征选择方法的不同组合策略对决策树模型分类效果的影响。以往组合策略的研究均基于不平衡程度较低的数据集,本文基于以往学者的研究实验,将嵌入式的特征选择方法加入到实验中,通过实验发现以往学者的部分结论在不平衡程度较高的数据集上依然有效,同时发现了适用于不平衡程度较高的数据集的预处理策略,即基于树模型的特征选择和基于ADASYN算法的样本平衡的组合策略。最后,基于研究发现的预处理最优策略,本文采用集成学习方法来解决单个决策树模型对信用卡用户识别能力一般的问题。本文分别采用了随机森林算法、GBDT算法与Adaboost算法来构建分类器,相比于决策树,三个新分类器在分类效果上都有所提升,但并不明显。为了进一步提高分类器识别违约用户的精确度与稳定性,本文又采用stacking方法将构建的三个分类器进行融合,融合后的分类器相较于融合前的分类器,分类性能有了大幅度的提升。最终构建的这分类器可以作为信用卡客户风险管控的参考模型。