在习近平总书记提出“精准扶贫”重要思想后,我国于2021年实现了脱贫攻坚战的全面胜利。当前,习总书记指出应做好脱贫攻坚成果的巩固工作,及时发现易返贫致贫人口并进行个性化帮扶。因此,利用家庭层面易准确获得的信息对农村贫困家庭进行精准识别并分析其致贫因素尤为重要。考虑到近年来我国贫困整体呈现出多因素协同致贫的特点,基于关联规则的分类算法（Classification Based on Associations简称CBA算法）能够同时考虑多个特征的交互效应,因此本文引入CBA算法进行我国农村贫困家庭识别研究,并将该算法与集成学习分类模型进行融合以提升原始模型的泛化能力。本文基于CFPS2012-CFPS2018数据集进行实证研究。首先,本文对CBA算法与集成学习模型的泛化能力进行初步比较。在对关于我国贫困现状的研究进行梳理的基础上选择CBA算法对农村贫困家庭进行识别,并将CBA算法的泛化能力与各种传统集成学习模型进行对比分析,结果显示CBA算法对我国农村贫困家庭的识别能力较强,测试集的F1值为0.6861。之后本文将CBA算法与传统集成学习模型进行融合,并比较融合后集成学习模型的提升效果。融合后模型可克服集成学习模型的基学习器每次分支仅考虑一个变量的缺陷。模型融合步骤如下:首先,将CBA算法生成的用于分类的关联规则前项作为交互特征加入建模特征集合;其次,对特征进行筛选,包括特征初步筛选以及包裹式特征选择;最后,基于选择出的最优特征子集建立集成学习模型,分析各集成学习模型经模型融合后的提升效果。最终结果表明,本文选择出对于识别我国农村贫困家庭效果最好的模型为融合CBA算法的XGBoost模型,该模型在测试集上的F1值为0.7070,与原始XGBoost模型以及单纯CBA算法相比F1值分别提升了0.0907、0.0209。最后,本文基于SHAP可解释框架从宏观与微观层面对模型进行解释。对泛化能力最好的融合后XGBoost模型进行解释,分析部分重要特征如何影响模型输出;通过绘制个体贫困家庭的SHAP力图分析该家庭致贫原因,并探究个性化扶贫方案。本文最终所得分析结论较为合理。