我国健康保险市场潜力巨大,近5年我国健康保险业务原保险保费收入年均增速达36.57%,2019年我国健康保险原保费收入达到7066亿。保险欺诈是我国健康保险市场高速发展现阶段的主要障碍,健康保险赔付率居高不下,近五年年均增长率达32.73%,同比增长率在人身险中是最高的,健康保险欺诈的新闻层出不穷。与此同时,我国大多数健康保险经营机构还在争夺市场份额,并未积极采取高效的欺诈识别模式。健康保险从保险标的、保险事故、保险合同性质上看,本身具有复杂的特征,欺诈形式复杂,由此欺诈识别十分复杂,充满主观性。保险欺诈无论对保险人还是对被保险人、对社会都造成不良的影响。健康保险的风险日益复杂,本身就给欺诈识别带来巨大的挑战,传统的识别方法难以高效精准的识别欺诈。海量的健康医疗大数据时刻都在产生,更是囤积了超大量的数据。于是为了提高健康保险欺诈识别效率,借助大数据技术是突破这一瓶颈的重要方法之一。本文采用文献学习、资料分析、实证分析以及规范学习的方法。介绍了我国传统健康保险欺诈屡见不鲜的现状、欺诈识别系统、和以统计回归为代表的欺诈识别方法,发现我国传统健康保险欺诈识别系统缺乏智能性,传统识别方法在风险日益复杂下凸显的问题:有严格的理论假设、难以处理多样化的数据以及难以处理非结构化数据。大数据技术包括大数据库管理技术和大数据分析技术,金融业借助大数据技术检测欺诈已成为趋势。本文接着分析了健康医疗大数据可用在保险反欺诈的政策支持,说明健康医疗大数据引入到健康保险欺诈识别中的理论支持和发展优势。接着本文借助大数据库管理技术构健康保险欺诈识别系统:从健康医疗大数据收集,到健康医疗大数据处理,建立个人健康画像,划分风险等级,建立健康医疗大数据管理库管理数据。接着学习以机器学习算法为代表的大数据分析技术——利用大数据的关键技术,介绍新兴的机器学习算法适用于健康保险欺诈风险识别,通过对新兴算法的梳理和比较,本文选取以决策树为基学习器的极端梯度提升树算法建立模型识别健康保险欺诈。应用XGBoost集成算法对保险真实记录数据进行实际应用研究,得出机器学习算法在保险欺诈识别模型中具有探索意义的结果。研究思路具有一定的创新性,研究内容具有一定的理论和现实意义。最后本文还考虑了少有探讨到的应用健康医疗大数据时会遇到的阻碍,结合实际提出数据质量和隐私法律问题,经过研究给出优化建议。对我国健康保险市场欺诈预防体系提出技术展望,一定程度上具有理论指导和实践意义。