通信行业作为国家信息化建设的基石,在我国市场经济中发挥着至关重要的作用。近年来通信行业迅猛发展,5G建设稳步推进,通信服务业无论在营收额还是人口覆盖率上都达到了空前的规模,而与此同时三大运营商却仍普遍存在客户信用损失带来的高额财务危机。因此如何对通信用户进行科学有效的管理,防范信用损失风险,是通信运营商缩减营销成本、降低欠费和坏账风险、提升用户保有量以及满意度的关键之所在。信用损失问题在传统金融领域早已广泛存在,欧美发达国家率先引领征信行业的发展,我国征信行业起步较晚,迄今为止,我国个人征信业务也主要围绕银行、保险、P2P等金融机构展开,通信行业的个人征信几乎一片空白,而传统金融领域的征信业务虽然对通信行业的信用问题有一定的借鉴意义,但无法完全用来评估通信用户的信用。近10年各行各业的大数据都呈现井喷式的增长,移动通信运营商更是有着其得天独厚的优势掌握着用户海量的通信数据,因此也成为了数据挖掘领域的研究热点,但大多数学者或机构的研究聚焦在其用户数据能否解决金融领域的个人信用问题,对用户数据的分析较多地围绕用户的基本信息、账单金额、履约情况、入网时长、通话次数等特征,迄今尚没有工作全面深入地分析用户通话数据对其通话信用的揭示作用。因此,本文基于用户通话数据,对其行为模式的特点进行挖掘,并采用有监督学习的方法,对其通话行为特点与信用之间建立联系并提出信用风险预测模型,丰富了现有通信行业的信用评估体系。本文使用中国移动浙江公司与浙江大数据交易中心联合主办的Data Tech2017大赛公开的数据集,研究6863名用户在32天观察周期的通话行为模式,总通话记录达到143万多条,守信用户与违约用户的数量接近1:1。本文基于对数据的观察和描述,从活跃性、多样性、规律性三大维度提取了22个通话行为特征,主要有:反应用户活跃性的通话缺失的天数、不同通话类型的（日均）通话次数、通话对象数,反应用户多样性的（日均）通话熵、通话时长档级熵,以及反应用户规律性的每日/周通话对象数量方差、工作日/周末通话数量/通话对象数量差、通话对象集中度、周呼叫规律性。文中对提取的特征给出了详细的计算公式,同时对特征结果进行可视化展示,详细说明了该特征在两类用户通话行为模式上能够区分彼此的特点。对所有的特征进一步加入相关性分析以及显著性检验,验证本文基于通话数据提取特征的有效性。最后本文对提取的所有特征,分别采用机器学习、深度学习、集成模型的分类算法,构建了7种信用风险预测模型,发现各模型在不同的衡量指标上都取得了较好的表现,进一步证明了本文所提出的通话行为特征提取方法对于用户信用水平预测的有效性。同时本文选取了其中一种均衡表现较为优异的模型,通过消融实验分别对活跃性、多样性、规律性三大类特征进行比对,发现活跃性特征较其他两类特征能够更好地揭示用户的信用水平,而聚合三大类别的特征共同建模,能够融合多方面的信息,更加提升模型的预测能力。