近年来,随着我国经济水平不断发展以及居民消费水平的飞速提高,信用卡业务的经营范围不断扩大。在“互联网+”等理念的影响下,传统金融行业与互联网相结合,线下互联网消费金融也取得了飞速发展。信用卡作为一种方便快捷的支付工具,在经济领域得到了广泛应用。但是我国信用卡业务处于上升发展阶段,缺乏长期经验,尤其是在互联网经济辐射范围越来越大的情况下,信用卡风险控制难度进一步增加。因此本文搜集关于信用卡交易的数据加以分析处理,建立合适的分类模型并将分类结果进行对比,能够根据已知信息,对信用卡欺诈行为进行正确分类。在新的信用卡交易信息产生之前,通过合适的算法进行识别,使银行及相关发卡机构能够进行有效预测,减少信用卡欺诈给个人和银行带来的损失,这对于金融行业的稳定和经济发展具有极为重要的意义。首先,本文通过文献调查研究法,深入分析了国内外学者的研究成果,在此基础上阐述了信用卡欺诈研究的背景和意义,并介绍了国内外关于信用卡欺诈以及数据挖掘的研究现状。其次,详细介绍了信用卡的基本知识、信用卡欺诈风险理论以及数据挖掘方法,验证了基于机器学习方法下对信用卡欺诈行为进行识别预测的必要性。再次,对信用卡欺诈问题的数据特点及处理方法做了简要说明,尤其是交叉验证、正则化以及模型的评估标准。然后,以经过隐私处理的信用卡交易数据为研究样本,通过基于K-means改进的SOMTE过采样对不均衡样本数据加以处理,分别构建Logistic回归模型、Bagging算法典型代表随机森林模型和Boosting代表算法XGBoost三个信用卡风险控制模型并进行实证分析,采用混淆矩阵和AUC作为评价指标对模型结果进行对比,发现XGBoost模型对信用卡欺诈识别效果最优,从而验证了 XGBoost模型在进行信用卡欺诈识别问题方面的优势。最后,在对单个模型分析结果的基础上,详细说明了 Stacking模型的运行过程,并采用基于元分类器为逻辑回归的Stacking算法将模型进行融合,将最终实验结果与单个模型进行对比分析,最终发现模型得到了进一步的优化。最后本文根据优化后的欺诈识别模型,从银行内部和外部环境两个大方面对相关机构提出了针对性建议。本文所建立的信用卡欺诈识别模型具有系统性、针对性和高效性,为互联网环境下相关金融机构进行风险预测和控制提供了新的思路与方向。