基本医疗保险是保障劳动者因疾病风险造成经济损失的一项社会保险制度。我国目前的医保覆盖率超过95%,医保支出达到了2万亿人民币以上。在医保行业蓬勃发展的同时医疗保险欺诈事件也随之出现,并呈现逐年上升的趋势。为了解决这一问题,各国都在对医保欺诈检测进行研究,早期研究中使用概率论和统计学方法检测欺诈行为,随着技术的发展,研究方向转变为使用机器学习相关模型进行欺诈检测,并开始使用集成模型进行欺诈检测。在现有的研究中存在一些问题,例如在数据处理时缺少特征选择方法的比较、欺诈记录过少导致的数据不平衡以及在模型集成时缺少基础模型挑选规则。针对这些问题,本课题改进了医保欺诈集成算法,并针对特征选择、数据抽样和模型选择行相应的研究。首先,针对医保欺诈检测数据中的特征选择问题,对医保数据集使用不同的特征选择方法进行特征选择,利用生成的数据训练模型,观察模型的预测效果。选择对模型训练提升最大的特征选择方法。其次,针对医保数据的数据不平衡问题,使用4种抽样方法对部分数据进行抽样,找出获得的模型预测效果最好的抽样方法,对全部数据进行抽样,构造实验数据集。再次,针对模型选择问题,将多个备选模型在同一个医保数据集下进行训练,找出其中F1值最高的几个模型。再将这些模型进行组合,构建集成模型。最后,提出一种基于传统Bagging算法的改进算法——WTBagging算法。该算法根据基础模型预测能力分配权重,将预测结果按照权重求和,再根据计算好的阈值判断是否发生欺诈行为。本课题的实验基于美国医疗保险与医疗服务中心公开的真实医疗保险提供者报销数据集。对数据进行数据清洗、特征选择和数据抽样。挑选模型构建集成模型,将WTBagging算法和Bagging算法应用到构建的集成模型中。结果采用F1值作为评价指标。实验结果验证了WTBagging算法对医保欺诈检测的有效性。