随着互联网信贷业务的不断发展,有效评估个人借贷还款能力适当减少信贷风险隐患,成为现今信贷业务中重要的应用问题。本文从影响贷款用户还款行为主要特征的数据提取出发,运用相关的平台数据集进行还款模型的训练分析,再形成相应的组合预测模型来给出一定的降低信贷风险的建议。本文运用获取的相关贷款用户数据集进行预处理,首先对数据集进行缺省值填充、用户去重、归一化处理,采取求最值、均值以及计数相关方法生成用户的某些特征,并将这些用户的特征整合成相关的数据表。利用合成少数类过采样技术,解决贷款数据非平衡分布的问题,避免过拟合的现象发生。利用特征间的关联程度分析剔除部分关联性较大的特征。根据特征的权值系数,删减部分权值系数较低的特征,从而提取出影响贷款还款行为的主要特征。利用XGBoost算法对贷款用户还款行为进行预测,数值实验得到的准确率和AUC、KS值较高于随机森林、自适应增强等其它分类算法获得的计算值,探讨论证了XGBoost算法在贷款用户还款行为分类上的适用性。为提高XGBoost算法模型预测的准确率和稳定性,利用网格搜索技术通过交叉验证得到该算法中部分参数在取值范围内的最佳取值,数值实验对比XGBoost算法调参前后模型的预测结果,验证了调参后模型具有较好的预测性能。本文通过对用户数据集进行预处理、相关分析和特征筛选后,利用CNN与XGBoost算法组合预测模型预测给出贷款用户的还款行为风险预测。对比单一的XGBoost算法,得出组合模型预测的准确率较高,从而论证该组合模型对贷款用户贷款风险预测的有效性。