近些年来,互联网金融迅速发展,互联网借贷成为互联网金融发展最为迅速的模式,在互联网借贷规模快速扩大的同时,风险管理问题也日益突出。信用评分卡模型作为广泛应用的风控模型之一具有完善的理论基础和丰富的实践意义。但随着大数据时代的到来,用户的信息特征维度也逐渐变多,如何对海量的用户信息进行挖掘,充分发挥人工智能在用户违约预测上的作用,对于提高互联网借贷的风险管控能力,进一步促进互联网小额贷款公司健康发展有着重要意义,也是当今互联网背景下信贷业务需要解决的问题。本文以Lending Club的小额贷款业务数据作为研究对象,通过对比不同重采样方法和单一模型后,利用传统评分卡模型实现单一模型之间的组合,进一步优化模型的识别效果,探索更加有效的违约识别模型。本文包括五个部分内容:第一部分为导论部分,主要介绍了本文的研究背景及意义、国内外文献综述以及研究内容和思路。第二部分,对小额信贷的定义和特点、小额信贷风险的特殊性以及互联网小额信贷进行了介绍,接着对传统金融和互联网金融风险识别模型进行了对比阐述,最后对本文涉及的SMOTE重采样算法、Borderline SMOTE重采样算法、ADASYN重采样算法以及Logistic模型、Light GBM、NGBoost模型和组合模型原理展开了详细的介绍。第三部分在介绍了本文的数据来源和对数据进行描述性统计分析后,对数据进行了清洗,包括缺失值处理和分类变量处理。针对数据中的无用变量和分类变量处理后产生的冗余变量,首先计算IV值进行初步选择,然后运用随机森林根据特征重要性进一步筛选。第四部分首先选取了用于评价模型效果的指标,然后分别运用SMOTE、Borderline SMOTE、ADASYN重采样技术对数据进行不平衡处理,对于重采样前后共四个数据集分别运用Logistic、Light GBM、NGBoost三个单一模型对小额信贷违约风险进行识别,对比不同重采样技术的效果。然后将模型结果通过传统评分模型的计算方式,转化为信用评分,进一步实现模型之间的组合,提高模型的预测效果。第五部分对本文进行总结和展望,提出了文章进一步可优化的地方。基于上述研究结果,本文主要得到以下结论:（1）将IV值和随机森林结合可以有效剔除无用变量。（2）对比三种重采样算法,Borderline SMOTE重采样对于提升模型效果最有效。（3）利用评分卡模型实现模型组合可以明显提高模型的效果,相比于单一模型,组合模型的各评价指标都有不同幅度的提升,其中以Light GBM和NGBoost为初级学习器的效果最优。