在我国,机动车辆保险在财产保险中具有十分重要的地位,其经营状况与财险公司的经营稳定性有着密切的联系。愈演愈烈的欺诈问题对其他诚实被保险人和保险公司造成许多不利的影响。欺诈识别模型可以识别出高风险的被保险人,这样在实际工作中保险人通过此模型可以更快速、准确地识别可疑案件,但是因为车险索赔数据集的一些特殊特点,比如:数据分布不均衡、种类杂多等,所以如今还未能构建起适应范围广的欺诈识别模型。针对上述难题,本文在构建模型时采用了分类准确度高并且不易过拟合的集成分类算法,且采用不同的采样技术来解决索赔数据集中诚实索赔与欺诈索赔样本数量不平衡的问题,从而达到提高模型性能的目的。具体步骤:（1）将数据集中的数据进行描述性统计与简要分析;（2）通过Logistic回归模型对L财产保险公司的真实索赔数据集中的特征进行了精炼,确定了8项对识别欺诈问题有显著性影响的特征,为后续根据模拟集构建的欺诈识别模型的验证打下基础;（3）对两个模型的重要参数进行调整,并针对数据不均衡的特点,本文采用了SMOTE过采样方法、随机欠采样方法以及“SMOTE＿Tomek Links”组合采样方法,将三种采样方法代入模型后对比结果来分析每种方法对于模型性能提升的影响;（4）运用所构建的模型对数据集中的特征进行重要性排序,从而得到对于识别欺诈具有重要性影响的10个模拟集特征以及5个L财产保险公司的真实集特征。本文的数据集包括两部分,一个是Francis以美国Massachusetts州的AIB索赔数据集为基础构建的模拟数据集,对比结果发现,模型分类能力的评估值在数据平衡化处理后都有提升;融合多个采样方法的结果对比,随机森林融合组合采样方法的模型性能更优,而Light GBM算法融合了SMOTE过采样法的模型的性能更优,分类的精准度都大于97%;从评估指标值的角度来看,随机森林模型要略优于Light GBM模型;但是从模型的运行时间的角度来看,随机森林的运行时间会更长一些,与之相比较Light GBM模型的表现更好。与此同时发现是否请律师、救护车费用、保单生效时间、车龄等特征对案件是否为欺诈索赔有重要影响。因此可以看出所构建的模型既保证了识别的精准度,又改善了数据的不平衡缺陷,还可以得到对提高可疑案件识别准确率有重要性影响的特征指标,这也便于指导保险人在产品设计、销售经营、核保理赔、可疑案件识别时更有侧重点。另一部分还运用了L财产保险公司的索赔数据集进行模型的验证,使模型更适用于我国的市场情况,从而可以根据实证结果提出针对我国欺诈现状的对策。