保险作为金融领域的一个重要组成部分，其自身的发展对于金融行业乃至国家社会保障体系都有着举足轻重的作用。在国外，保险机构的业务已经遍及企业和公民生活的每个角落，大型保险集团的业务种类繁多、客户数量众多、保险金额巨大，每天涉及的投保以及索赔申请数量都是巨大的。国内的金融业在经历了改革开放之后，也迅速地发展起来。据保监会统计，截至2011年2月全国原保险保费收入3082亿元，原保险赔付支出608亿元1，保险种类涉及财产险、人身险、寿险、健康险、人身意外伤害险、养老保险公司企业年金缴费等几大类别。然而随着保险行业的快速发展，保险欺诈也呈现出较快的增长趋势，据2009年美国保险反欺诈联盟统计，在汽车损害保险的索赔中，欺诈金额占总赔付额的17％～20％。我国的保险欺诈情况亦不容乐观。　　因此近20年来，很多的国内外专家和学者对保险欺诈的识别技术和防范措施进行了深入和广泛的研究。其中欺诈监测识别方法中有指导的方法经历了传统统计方法到现在流行的神经网络方法，实验的算法和流程都比较成熟。但是对于无指导（无监督）的保险欺诈监测的研究还比较少。本文旨在对于欺诈监测识别技术中的无指导监测方法进行研究和探讨，主要完成的工作和创新点在于通过提出一套基于集成学习的无指导欺诈监测实验框架实现了对于无标签欺诈数据的自动识别和监测。并通过结合自适应的特征选择算法、数量加权距离的欺诈判别算法来以及集成学习的思想进一步提高了对于无标签欺诈数据的判别和分类学习记忆能力。整个实验的框架在一个车辆保险的数据集上进行了实验。　　本文提出了一个无指导欺诈监测的实验框架，并在实验中通过加入自适应特征选择、数量加权的距离欺诈判别算法以及平衡抽样的方法进一步提高整个实验的分类准确率。最后实验结果表明无指导欺诈监测实验效果虽然要差于有指导的实验结果，但是整个方法是有效的。首先对于测试集中欺诈样本有约＞65％的样本被识别出来，整体分类准确率也较高，可达到90％以上。无指导实验效果差于有指导实验主要原因在于欺诈判别算法中可以依赖的有效信息量较少。