随着互联网金融行业的不断发展,网络借贷作为一种新型融资方式已逐渐走进人们的视野。但是近年来随着网贷平台数量的增加,平台质量良莠不齐,贷款违约现象频发,给网贷行业造成了极大的负面影响,因此如何规避信用违约风险是目前亟待解决的问题。现如今,网贷平台的数据大都存在特征维数高、正负样本不平衡等问题,这为信用风险建模带来了一定的挑战。为解决上述问题,本文从特征选择、数据不平衡处理以及分类算法这三个方面进行研究,从而建立信用风险预测模型,来评估借贷人的信用违约风险。首先,在特征选择阶段,提出混合Filter和随机森林的特征筛选方法。该方法先利用改进的Relief算法对特征进行初步筛选,通过增加对少数类样本和边界样本的关注来降低数据不平衡带来的影响。之后再结合最大信息系数法剔除冗余特征。而为了得到最佳的特征子集,又进一步结合随机森林算法筛选特征,并得到最终的结果。其次,针对数据比例失衡影响模型分类结果的问题,提出改进的过采样方法。该方法在Borderline-SMOTE方法的基础上,引入自适应密度思想和改进的插值方法,为每个边界少数类样本合成数目适宜的新样本,并且使新样本的插值区域更靠近原少数类样本,以避免样本边界模糊的现象发生。最后,为了进一步提高模型的分类效果,提出一种基于集成学习的信用风险预测模型。该模型先修改Light GBM算法的损失函数为Focal loss,并以改进后的算法作为基分类器,再结合随机子空间方法和Ada Boost算法对基分类器进行集成,从而建立信用风险预测模型。基于Lending Club网贷平台的借贷人数据进行实证研究,并通过与其他集成分类模型的比较分析,证实了本文提出的过采样方法和集成分类模型的有效性,以及更适用于不平衡数据集下的信用风险评估问题。