2014年“11超日债”因无法按时兑付利息构成实质性违约,打破了我国债券刚性兑付的历史。自此,我国债券市场违约事件频发,债券违约也进入常态化阶段。在人工智能时代,机器学习方法已被成功应用于量化金融和风险管理方面。在债券违约日益凸显的背景下,如何利用机器学习模型全面、准确的评估和预测债券的违约风险,建立适合我国的债券违约预测模型,保护合作者合法权益,更是是科技赋能金融、用技术防范化解金融问题的核心环节。本文使用中国债券市场实质违约数据,基于过采样算法对样本进行训练,并尝试提出一种新的集成机器学习方法分析并预测信用债券的违约风险,丰富了机器学习在量化金融风险管理领域中的应用,具有重要的理论和现实意义。为了更好的利用债券发行主体的数据,解决债券违约风险研究目前存在的问题,本文选取所有2014年-2022年6月发生过实质违约的信用债券,提取对应债券的发行主体于债券发行年份前两年数据构建训练样本,在指标方面,从盈利能力、偿债能力、营运能力、成长能力、报表衍生指标5个维度选取了18个财务指标另外选取了3个宏观经济指标。针对数据不平衡问题,经过数据整理和合成少数类过采样技术（SMOTE）、生成式对抗网络（GANs）对违约样本进行再平衡,拟合生成的新数据集使训练出的模型更精确合理。在模型方面,基于深度学习框架,应用随机森林（RF）、卷积神经网络（CNN）、支持向量机（SVM）分别建立分类模型,并一步构建卷积神经网络与支持向量机融合预测模型（CNN-SVM模型）尝试改进单分类器的预测效果。在评价指标方面,利用准确性、查准率、召回率、F值和AUC值等指标对预测违约风险的准确性和综合性能进行评估。实证结果显示:第一,基于各机器学习模型对于我国债券市场的预测效果而言,RF模型、CNN模型、SVM和CNN-SVM融合模型准确率都达到了93%以上,说明本文构建的模型适用于中国债券市场。第二,从选取指标的重要程度而言,基于支持向量机构建预测模型分析因子重要性时发现,排名前三的特征变量分别是净资产收益率、净利润（同比增长率）、销售净利率。第三,在数据处理方面,将使用过采样算法训练再平衡后的数据应用在CNN模型、SVM模型、CNN-SVM模型上,各模型自身综合性能皆有提升。其中,应用SMOTE算法时,融合模型F1值提升了4.17%,AUC提升了2.57%,应用GANs算法时,模型提升效果更佳且更稳定,F1值提升了6.81%,AUC提升了3.12%。第四,从不同模型的预测效果对比来看,单分类器RF在综合性能指标AUC值和F1值略高于CNN和SVM模型的单独使用,改进后的CNN-SVM模型的预测效果无论在准确性和综合性能指标方面都高于任一单分类器。