近年来,互联网借贷蓬勃发展,出现了一系列风险管理问题,导致借款人合法权益受损,相关部门也出台了政策对互联网借贷的发展进行约束和管理。信托公司作为具备贷款发放资格的金融机构,近年来也在积极转型,通过移动互联网这一便捷高效的获客途径为广大借款申请人提供小额贷款资金,为了合规、高效地开展互联网借贷项目,信托公司也需要主动拥抱机器学习技术来对互联网借贷项目进行风险管理,以更大限度的减少项目损失、提升项目盈利。根据上述目的,本文主要研究内容如下:以A信托开展互联网借贷的历史数据为研究对象,进行借款人违约的单因素影响分析,然后利用机器学习常用的模型对违约情况的各影响因素进行综合评估,并评估各个模型的可信度和稳定性,为信托公司此后开展互联网借贷项目提供风险管理的机器学习模型和项目改进建议。根据上述思路,本文在文献学习后将分为三个部分开展研究:（一）介绍信托公司开展互联网借贷项目的现状,提出本文机器学习的三个模型,现状包括信托公司开展互联网借贷的发展历程和主要项目模式,机器学习模型包括本文所使用的随机森林、逻辑回归、贝叶斯分类三个模型及其技术原理介绍;（二）介绍A信托基本情况和数据来源情况,在数据处理完毕后,以借款人是否违约作为因变量,选取性别、年龄、出生地、贷款金额、综合利率、分期数、下单时间7个维度的借款人信息作为自变量,进行单一变量的描述统计分析,结果显示“年龄30-40岁,利率19%以上,借款期限选择最短1周或最长6个月,在凌晨到早上6点申请借款”这部分人群违约风险最大,而性别、出生地、借款金额的影响不显著;（三）运用随机森林对287994条样本数据建立模型,并用逻辑回归和贝叶斯分类比较模型的准确率、误判率和逾期识别率,用AUC值对模型可信度进行检验,结果显示,随机森林测试准确率和误判率效果最好,结合贝叶斯模型的高逾期识别率,可获得较好的违约率判别效果,最后给出相关结论和项目风险管理系统的改进建议。最后,文章的主要研究内容“信托公司开展互联网借贷项目的风险管理”,一方面与项目管理专业概念和“九大知识领域”中的风险管理十分契合,另一方面也具有提高审核效率、增进风险认识、独立风控系统、为监管提供思路等现实意义。现有的研究文献对信托公司以信托项目的方式开展互联网借贷的研究比较匮乏,文章的研究内容有望在此领域为后来研究人员提供借鉴。