众筹是一种新兴的互联网融资模式,目前中国互联网金融产品众筹行业基本处于稳定发展的阶段,在整个金融领域的占比也不断提高。随着众筹行业的兴起,其高效、低廉且有效的融资特点,在一定程度上解决了中小微群体融资难的问题,受到了大量中小型企业的青睐,同时有力地促进了我国的创新创业以及经济社会的发展。但同时可以发现,众筹项目的成功率依然不高,因此如何让筹资者筹集到更多的资金,探索募集资金过程中潜在的影响因素,这些都是亟需解决的关键问题。为解决上述提到的问题,本文以具有代表性的京东众筹平台为研究对象,选取平台上2015年—2020年已结束的项目,使用python语言,结合网络爬虫技术,爬取京东众筹平台已结束的众筹项目的所有公开信息,共20596条数据。同时基于相关理论分析,从多模态角度构建了包含9个数值模态、6个文本模态和4个图像模态共20个特征的指标体系。在此基础上依托机器学习技术中的XGBoost、Light GBM和CNN算法,构建多模态属性驱动的众筹项目成功率预测模型,考察不同模态属性的作用,并融入证据理论思想,融合不同模型的优势进一步改进众筹项目成功率预测模型。通过实证分析,可以得出以下结论:（1）多模态属性的引入能够提高模型的预测准确率,三模态即数值、文本、图像构建的模型驱动的结果最优,二模态即数值、文本模态构建的模型结果次之,单模态模型结果最差。（2）Light GBM的预测效果表现优于XGBoost和CNN模型,效果在三个机器学习模型中是最佳的。（3）三种模态中,数值模态的影响力相对更强,但在主要影响因素中,文本模态中的项目类别和图像模态中的展示页图片数也占据了较为重要的地位。（4）采用的证据理论融合模型预测可以使结果更优,融合多分类器识别模型可以提高识别的准确率。