近年来,互联网金融蓬勃发展,其便利性和快捷性对人们的生活产生了深远的影响。它不仅是对线下业务的补充,而且还对在线业务进行了很多创新。众筹模式就是其中之一,它使用互联网为特定项目筹集资金,从而改变了以前的投资和筹资模式,并广泛用于创新项目的筹资中。像众筹网和轻松筹这样的在线公益众筹平台允许特定的项目通过大量的人有针对性的捐款来获得资金。在众筹项目发布前或发布后对项目能否成功进行预测,有助于提高众筹项目的成功率,降低不必要的人力成本。而公益众筹项目成功的关键是招募和捐赠者的持续参与。目前公益项目捐赠者流失率超过70%,在线公益众筹平台以及传统的线下非营利组织面临的一个重大挑战是捐赠者保留问题。增加捐赠者保留率将对在线筹款活动的效果产生重大影响,捐赠者保留率提高10%,获得的捐赠就会增加200%。因此,本文以一家线上教育募资机构Donors Choose（DC.org）为例,运用机器学习技术构建有效的项目成功性预测模型和捐赠者保留预测模型,主要的研究工作有:第一,从多个维度提取收集的DC.org数据集数据变量,其中包括项目、学校、老师、捐赠者、捐赠信息等数据,对数据进行进一步处理,通过特征工程提取用于构建模型的数据。第二,针对经典的机器学习算法（逻辑回归、决策树）和集成学习算法（GBDT、XGBoost、Light GBM）以及基于Stacking融合模型,分别构建公益众筹项目成功性分类预测模型,并采用混淆矩阵评估指标对结果进行对比分析。第三,从构建的公益众筹项目成功性分类预测模型中选择出最适合DC.org平台的分类预测模型,将其应用到捐赠者保留预测问题上,构建捐赠者保留预测分类模型,并在不同特征组合集上输出AUC值进行比较分析。本文基于DC.org数百万捐赠者捐赠的大规模数据,构建了基于不同机器学习模型的项目成功性预测模型,为在线众筹平台成功性预测提供了方法,并通过模型融合的方法进一步提升了模型性能;探讨了影响捐献者保留率的各种因素,识别了不同的捐献者群体,并量化了他们对后续捐献的回报倾向,通过Stacking融合模型建立了有较好准确性的捐赠者保留预测模型,从而帮助在线众筹平台更好地把控捐赠者流失原因,使项目更容易成功地筹到更多资金。