消费金融作为我国支撑居民消费和实体经济的基础设施行业,近年来发展迅猛,随着“十四五规划”和“双循环新发展格局”的提出,消费金融的发展优先级又被进一步抬高。消费金融的本质是小额贷款,主要业务是为用户提供消费贷款以满足用户对日常非耐用品的消费。然而随着业务的扩张,消费金融所面临的风险也持续增加。由于存在信息不对称,金融机构在为用户提供消费贷款时难以全面掌握用户的信息,不良贷款率节节攀升,给国家和金融机构都带来了巨大的损失。因此,只有建立强大的信贷风险控制体系,才能维持该行业的良性发展。欺诈检测和违约预测是信贷风险控制中贷前审核环节的两个关键业务流程,其结果对于信贷质量有着重要的作用。其中,欺诈检测审核用户是否具备还款意向,违约预测审核用户是否具备还款能力。论文针对这两个核心业务场景分别提出两种模型,对贷前审核环节进行更为精准和有效的风险控制。论文的主要研究成果如下:（1）提出了一种结合孤立森林的代价敏感随机森林自训练半监督欺诈检测模型。在大量无标签样本存在时,通过自训练算法赋予无标签样本伪标签,扩充代价敏感随机森林基分类器的训练集。为保证加入训练集的无标签样本的伪标签正确,提出结合孤立森林异常检测算法用于判定样本是否能够加入训练集。选择符合筛选条件的无标签样本并赋予其伪标签和样本权重,加入基分类器的训练集。在自训练迭代过程中训练集的高质量样本数量不断增加,模型性能随之提升。实验证明,与其他基模型相比,该模型对于欺诈检测的分类效果更佳。（2）提出了一种基于优化Boruta和XGBoost算法的有监督违约预测模型,解决高维有标签数据集下的违约预测问题。模型首先通过优化的Boruta特征选择算法选择最优特征子集,再将遗传算法用于寻找XGBoost算法的最优参数组合,从而使得算法分类效果最优。通过对比实验,证明了该模型的可行性及其在分类效果上的提升。