随着计算机网络安全水平的不断提高和互联网的迅速发展,P2P网络借贷正在不断侵蚀着中国互联网市场,发展势头迅猛异常。它是一种独立于互联网金融机构系统的个人对个人贷款模式。虽然P2P网络借贷的发展带来了巨大的经济效益,但同时也暴露出一系列的问题。由于P2P网络借贷平台其平台运作的缺陷,在整个借贷过程中缺乏第三方机构的参与,出借方对风险的评估主要依据个人信用。但由于我国缺乏有效合理的监管制度和相关的监管平台,再加之借款人相关的信用信息收集系统不完备,造成借款人逾期违约行为频繁发生。因此,在这一背景下从网络借贷数据出发,利用数据挖掘算法分析数据特征对借贷结果的影响,使提取的特征在实际分类预测中具有较好的可靠性和敏感性。本文使用支持向量机(SVM)作为分类器,研究表明,不仅特征选择会很大程度上影响支持向量机的分类效果,同时恰当的支持向量机惩罚参数和核函数参数也可以提高分类效果。采用粒子群算法(PSO)对支持向量机参数进行优化,并提出了一种改进的粒子群优化算法。基于改进的粒子群优化算法优化支持向量机基分类器的模型参数,然后采用AdaBoost算法对以上优化的SVM基分类器进行迭代集成,创建了基于多分类器优化集成的网络借贷违约预测模型。以Lending Clud借贷数据集为研究对象,进行网络借贷违约预测模型建模,实验结果表明,与标准的SVM算法、PSO-SVM算法、决策树算法(CART)和随机森林算法(RandomForest)相比,AdaBoost与SVM的结合使用有效地提高了整个样本的分类准确率和泛化率,利用该模型进行的网络借贷违约预测的准确性明显优于其他模型。最后本文在该模型的基础上,设计和实现了基于AdaBoost与SVM的网络借贷违约预测系统。经过独立测试集验证,系统能够较为准确的进行预测,精确度达到92.5%。在功能上和性能上都能满足系统需求,达到预期研究效果。