随着大数据、移动支付等以互联网为载体的现代信息科技的迅速发展,网络借贷作为新型金融模式迅速发展壮大。借款人是网络借贷的主要参与者,其信用风险影响到了网络借贷平台的发展,而大部分的网络借贷用户都是央行征信体系中的白户,相关的信用信息极少。因此如何将机器学习方法运用到互联网金融领域,判断借款人是否违约,提升网贷行业的效率,是学术研究和行业发展的迫切需要。本文基于文献研读,说明了网络信贷的相关定义以及网络借款人信贷风险成因,分析了网络借款人信贷风险影响因素,介绍了我国网络借贷平台的运营模式和发展情况,并以翼龙贷公司为例开展实证研究。首先收集了翼龙贷平台2016-2020年的信贷数据样本50000条,进行了数据清洗和量化,引入五折交叉验证划分数据集,基于此运用SMOTE算法对非平衡训练集数据做平衡处理,并分别对非平衡数据和平衡数据建立随机森林模型,根据五折交叉验证结果发现,平衡数据的随机森林模型性能明显优于非平衡数据随机森林模型。在性能优越的模型基础上,得出变量的重要性,结果表明:借款总额、年收入、信用等级和职位的重要性程度较高。综合实证结果,本文的模型和方法具有较好的综合性、客观性、全面性、普适性、准确性和便捷性,为我国各类信贷平台提供了实用性较高的模型参考。最后,本文对全文进行了总结并提出了相应的建议,为稳步推进我国网络借贷的合规发展贡献借鉴价值,具有较强的现实意义。