近年来,以移动支付、网络借贷、网上理财为代表的互联网金融市场受到了社会广泛关注。尤其以网络借贷为主要业务的相关企业,向广大个体参与者提供敏捷的小额贷款服务,满足了长尾市场的用户需求。然而互联网金融行业在发展过程中暴露了严重的信用风险管理问题,其中以用户违约为代表,致使平台遇到偿付危机,投资者也难以收回本金,影响了行业的声誉和发展环境。因此,如何科学高效的评估借款人的信用风险对互联网金融行业健康发展具有重要意义。在信用风险评估方面,传统的会计学或者统计学领域相关风险评价方法,不能很好的满足互联网借贷场景下准确高效的进行借款风险评估的要求。机器学习方法由于能够自动化利用海量多维数据及其普适性,相较于其他方法更适用于互联网借贷中的信用风险评估。然而,由于真实借贷业务中违约的用户数量相对正常用户来说占少数,传统的机器学习模型在类别不平衡的数据集上并不能取得理想的效果,模型对少数类样本（违约客户）的分类效果较差。在梳理相关信用风险评估理论和技术研究的基础上,本文创新性地提出一种以梯度分布为核心的集成学习模型来解决互联网借贷中信用风险评估问题。该模型由两部分组成,困难样本挖掘算法和带有过滤的平衡级联分类器算法。困难样本挖掘算法初步探索样本的梯度分布,通过计算每个样本的梯度大小区分困难样本和简单样本;带有过滤的平衡级联分类器算法基于样本的梯度分布,对不同类别且不同属性的样本进行下采样得到多个子集,再将训练后的多个分类器进行集成。除此之外,本文还基于困难样本挖掘算法对原有的Ada Boost算法进行改进,提升原有模型预测效果。为了评估本文提出的模型,本文先利用UCI网站上的标准数据集测试算法的分类能力,再使用美国互联网金融公司Prosper的借贷数据集,对借款人违约风险进行评估和预测。研究结果表明,本文提出的算法可以有效解决互联网借贷中识别违约用户这一不平衡分类问题,该模型可以作为国内互联网金融公司进行借款人违约风险预测的有力工具,帮助平台更好进行风险管理,保障投资者利益。文章末尾,我们将从从技术应用层面和行业发展层面提出有利于互联网金融行业长远发展的建议。