随着金融市场的发展,个人信贷越来越多,而传统信贷审批方式已经跟不上如今个人信贷的发展,所以如果能对贷款违约情况提前进行预测从而减少贷款违约造成的损失,那么个人信贷的审批就能更加高效。贷款违约问题从始至终存在于各大金融机构中,如何寻求一个好的风险管理方法,使得个人信贷审批更加可靠,这是各大金融机构都一直以来的追求。而金融科技手段就成为了这些机构的最佳选择,很多金融机构在风控中所运用的方法大多都是比较主流的算法,比如逻辑回归、支持向量机、随机森林等。而本论文旨在寻求效果比较好的算法对贷款违约进行预测。本论文在现有的对贷款违约的研究方法的基础上,比如逻辑回归、随机森林、AdaBoost算法等分类模型,提出了在AdaBoost算法的基础上进行改进的PSOBP-AdaBoost融合算法模型,也就是将PSO（粒子群优化算法）改进的BP神经网络作为弱分类器,在通过AdaBoost算法得到多个弱分类器组成的强分类器,进而用该模型对贷款人信息数据进行贷款违约以及贷款不违约的分类,接着根据各个评价指标对分类的效果进行量化。通过实证分析发现,使用逻辑回归以及随机森林分类模型对贷款违约情况进行预测的时候,两个算法的准确率都可以达到80%,AUC值也在0.70左右,使用AdaBoost算法进行分类预测时,准确度也只有80.25%,但AUC值可以到0.71。在用改进的PSO-BP-AdaBoost融合算法模型进行分类预测时,准确率可以达到81.03%,AUC值也达到了0.7214,因此证明了该模型对贷款违约的预测效果更好。在对新的贷款申请记录的预测中,未违约的预测结果占据97.741%,而违约的预测结果仅仅占了2.259%,基于此结果本论文给予了相关的建议。