税收是我国财政收入的主要来源,落实好税收政策就相当于稳固了国家经济。减税降费政策基于2015年提出,具体到2019年落实。如何落实好政策也成为了税收事业的重点。随着互联网技术的快速发展,税务结合互联网模式在国内已经应用得越来越广泛,对于减税降费这种近几年提出的新政策,需要良好的税收管理机制,这样不仅可以提升税务人员在处理风险时的效率,也能减轻税务人员核对风险数据的负担。目前的减税降费税收管理机制有两大不足:（1）数据采集过程中由于国税局和地税局的合并,导致很多错误数据被提取出来。（2）税务人员处理识别减税降费风险数据耗时耗力,根据已定的政策去比对数据太过于花费时间,数据逻辑关系紊乱,人员工作任务繁重。本文将针对上述两点,研究机器学习技术在减税降费中的应用情况,结合算法实现减税降费预测与管理系统的开发。本文完成的主要工作有:（1）税务数据的清洗。通过建立规则体系来从金税三期系统、数据汇聚平台以及其他平台获取数据。针对数据质量问题,规则体系建立对应规则处理来源不同的数据。（2）构建了基于XGBoost的减税降费风险预测模型。首先,对经过数据清洗的样本数据进行归一化等操作,使用PCA降维将数据降至低维,选取低维度特征子集用于构建基于XGBoost的减税降费风险预测模型。然后,运用网格搜索方法与五折交叉验证进行模型参数调优与训练,形成基于XGBoost的减税降费风险预测模型。实验结果表明,经过最优参数化后,相比于逻辑回归、KNN、随机森林、Bagging算法、支持向量机,XGBoost模型在风险预测上表现更佳。（3）提出基于Stacking集成学习的减税降费风险预测模型,根据（2）中的实验结果分析,采用Stacking集成学习多模型融合的特点,将KNN、随机森林、Bagging模型作为Stacking算法的第一层初级学习器,使用XGBoost减税降费风险预测模型作为Stacking算法的第二层次级学习器,运用Stacking将模型进行分层融合解决单个模型对于少量风险类别精准度低的问题,提高减税降费风险预测模型的风险预测性能。并将该模型与四种单个模型进行实验对照,结果显示,相比于单个模型,Stacking模型具有更好的风险预测性能。（4）基于Stacking集成学习模型的减税降费风险预测系统的实现。本文通过ASP.NET技术和Oracle数据库实现系统的开发,实现了对减税降费风险数据的预测。