电信诈骗作为当今社会最频发的诈骗犯罪行为,已如同病毒一般蔓延至全国各地,每年因为电信诈骗而造成财产损失的受害者不计其数。对于通信运营商而言,通过技术手段准确识别出诈骗号码并及时预警是主动防治电信诈骗犯罪的一项重要举措,而如何从海量的通讯信息中挖掘出有用的特征来进行识别模型的构建则是一个极大的挑战。基于此,本文从真实的用户详细话单数据出发,首先,在现有对于通话特征研究的基础上更深入挖掘其分布特征,并加入短信和流量维度的特征构造,完善多维度综合的诈骗号码识别特征体系以提升识别准确率。其次,在根据上述特征体系构造的数据集上采用多种模型（Random Forest、AdaBoost、XGBoost、LightGBM和CatBoost）来进行数据训练和参数调优,进而验证该特征体系的有效性和可行性。测试集上的预测结果表明CatBoost模型在精度、召回率以及准确率上的表现最佳,基于此最优模型使用SHAP框架获得的特征解释也从侧面反映了特征构造的合理性。最后,在传统Stacking方法的基础上加入了特征采样和学习器赋权的思想应用于模型融合以进一步提升预测性能,与最优基础模型CatBoost相比能够在维持召回率基本不变的前提下提升约2%的预测精度,相较于传统Stacking方法的预测效果更优。本文为诈骗号码识别构建了一套多维度特征体系,且在离线数据集上经过多模型训练均取得了不错的效果,整体思路可为通信运营商提供诈骗号码在线检测和及时预警的参考方向。