现金贷有助于解决国内低收入和无征信记录人群融资难问题,但也带来了行业高利率、高逾期、暴力催收等问题。为了维护金融行业的安全和社会稳定,政府出台了现金贷新规等一系列监管政策,使现金贷行业趋向于规范化发展,而由于无法对借款人欺诈行为进行有效识别,现金贷平台仍存在较高坏账率的问题。因此,本文研究如何进行现金贷欺诈识别具有较强的理论意义与现实价值。针对当前现金贷行业存在的欺诈问题,通过阅读相关文献,本文首先探究了现金贷与现金贷欺诈的概念和特点,随后研究了当前识别现金贷欺诈的方法以及这些方法的局限性。接着,依据全面性、重要性、可操作性、针对性四项原则,从基本信息、信贷信息、履约行为信息和欺诈行为信息四个维度着手构建完善的现金贷欺诈识别指标体系,通过编码、标准化、异常点检验、相关性检验等方法对采集到的样本特征数据进行处理,并运用随机森林方法筛选出对欺诈预测有重要影响的特征。最后,将筛选后的特征数据结合迁移学习方法中的Tr Adaboost算法和子空间对齐法进行现金贷欺诈识别,并与现有的现金贷欺诈识别方法中的逻辑回归模型和随机森林模型进行比较分析,提出防范国内现金贷行业借款人欺诈的对策和建议。研究结果表明:（1）相较于源域指标体系,目标域指标体系中缺乏信贷历史、履约能力以及过去还款表现指标。（2）目标域中重要性较高的指标主要为基本信息,源域中除了基本信息外,还包括信贷历史和履约能力。（3）将基于样本和基于特征的迁移学习方法运用于现金贷欺诈识别,可以弥补现金贷平台数据积累量不足问题,放宽数据集同分布的限制,模型稳健性和预测效果更优。