因近些年来人工智能和大数据的快速发展,以第三方移动支付平台为主要代表的在线支付模式已成为人们主流支付模式之一,随着移动支付规模的扩大,各类型的支付欺诈行为也日渐增多,对移动支付平台和内部生态、消费者造成了巨大损失,因移动支付欺诈有其隐蔽性、实时性、变化性,普通欺诈检测方法难以有效检测出问题,而目前人工智能欺诈检测技术日趋成熟,应用机器学习与人工智能技术解决金融欺诈检测问题成为近年来相关问题研究的主要趋势。在移动支付欺诈检测问题的研究中,研究难点集中在样本不均衡问题和概念漂移问题两个问题上,本文针对支付欺诈检测中存在的样本不均衡和概念漂移两个研究难点,结合前人研究经验,提出了基于多数类遗忘策略的超级学习算法解决支付欺诈问题,构建了MFS-SUPL支付欺诈检测模型,其核心思想是利用集成学习算法和增量学习策略提升模型检测性能、缓解概念漂移问题,具体研究如下:（1）首先对本文选题背景和研究意义进行阐述,并梳理相关文献报告,在前人研究基础的角度对移动支付欺诈相关理论、相关技术进行系统梳理,凝聚本文研究的技术路线和研究内容、研究方法,并依据研究基础提出本文的研究创新。（2）其次通过对数据进行探索性分析,依据XGBoost特征重要性和数据挖掘技术对298维高维特征进行系统筛选和构建,得到40维入模变量,并使用SMOTE技术进行过采样处理减少样本不平衡带来的检测影响;（3）再次构建超级学习算法支付欺诈检测算法SUPL,并将LR和XGBoost两种算法作为基准算法进行先行实验,在面临数据集存在的欺诈模式随时间变化的概念漂移问题,针对数据集采用基于多数类遗忘策略的MFS增量策略改进,用增量策略不断更新训练集,并留存部分旧的数据知识,最后将其与SUPL算法结合组成MFSSUPL支付欺诈模型,得到MFS-SUPL实验结果,结果表明相较11种候选算法和两种基准算法MFS-SUPL模型取得了更优检测性能;（4）最后实验MFS-SUPL模型在12个时间序列数据块上的评价趋势,并系统对比MFS-SUPL、MFS-LR、LR、SUPL等算法,以Precision、Recall、AUC等指标综合分析MFS-SUPL模型在提升支付欺诈检测效果、缓解概念漂移问题两个方面的作用。