目前,银行业的信贷风控问题较为严峻,银行内的不良资产,不仅会对银行金融机构本身造成影响,严重的还可能在金融机构间造成违约风险的传染进而影响社会经济的发展。当前,对于公司信贷业务的风险把控主要还是依靠人为主观判断,手段和方法比较单一。机器学习的发展给银行业信贷业务风控管理带来了新的理念和机遇。借助机器学习算法,学习公司信贷客户多维度的全面信息,预测贷款违约的可能性,尽早采取对应措施、调整授信策略,将潜在风险和损失降到最低。本文主要运用集成学习算法中的随机森林和Adaboost算法构建银行公司信贷客户违约预测模型,将客户的多维度特征项纳入模型的筛选和学习中,包括单一客户的银行内部信息和外部信息、以及客户的关联关系的信息,同时与金融领域和风控预警模型研究中应用广泛、较为成熟的逻辑回归模型进行简单比较。本文的主要工作如下:首先介绍了构建模型的基本理论,包括银行公司信贷相关基础概念、关联信用风险概念、集成机器学习算法（随机森林和Adaboost）、模型评价指标等;其次收集和整合信贷客户内外部数据以及关联关系数据,并对原始数据集进行加工清理和预处理,主要包括缺失值异常值处理、非连续型数据转换为独热编码、SMOTE过采样解决数据不平衡问题等;然后借助随机森林特征重要性、WOE分箱和IV值进行模型的特征选择;最后运用网格搜索方法确定模型的参数,构建模型,并对模型的结果指标进行评价,同时基于银行内违约预测模型经典案例和实证中常使用的逻辑回归方法建立模型,并进行模型效果和预测精度的比较。最终本文构建出基于随机森林算法和Adaboost算法两种效果较好的预测模型,且模型结果远优于逻辑回归模型。从多种指标判断,相对于随机森林算法基于Adaboost算法的银行公司信贷客户违约预测模型精度更高,能够较准确的识别违约客户。