近年来,保险行业发展迅速,保险欺诈事件也逐渐增多,欺诈的普遍存在造成保险市场“高保费、高赔付、低收益”的运营现状,阻碍行业的可持续发展。因此,识别保险欺诈、防范控制风险、减少损失不仅能够促进保险公司经营健康发展,而且对促进经济发展、维护社会稳定都有着重要的现实意义。本文首先分析了现有汽车保险行业中保险欺诈的研究现状,对汽车保险欺诈的概念、分类、表现、危害等进行了系统概述。其次,针对现有研究的局限性及当前存在的问题,设计了一个基于数据挖掘技术的汽车保险欺诈识别系统。然后,从机动车保险欺诈识别的理论出发,分别基于极限学习机和随机森林建立了汽车保险欺诈识别模型。一方面,针对传统的极限学习机方差估计不稳健的问题,在稳健估计理论的基础上,提出了基于鲁棒估计的极限学习机模型,基于M估计的迭代加权最小二乘法对输出权重进行鲁棒估计。同时利用蜂群算法优化极限学习机的参数,进一步提高了极限学习机的分类性能和泛化能力,简化了模型的网络结构。另一方面,在平衡随机森林的基础上,提出了一种评价变量重要性的加权综合排序方法,将随机森林的特征重要性得分和基于统计t检验的特征重要性得分加权平均得到的综合得分作为启发式信息,利用蚁群算法进行智能搜索,提升了组合分类器的精度。最后,在汽车保险索赔数据的基础上,架构了影响汽车保险欺诈的指标体系,分别基于蜂群优化鲁棒极限学习机和蚁群优化随机森林汽车保险欺诈识别模型进行实证研究,挖掘欺诈规律,进行欺诈识别,并提出了有效识别和防范车险欺诈问题的相关建议,以期对我国车险行业的经营管理有所裨益。