信用卡是现代银行业务体系的重要组成部分,能够在一定程度上减少社会的交易成本,促进经济发展。经过数十年的高速扩张,我国信用卡市场逐渐趋近饱和,发卡量增速明显放缓,存量客户经营将成为银行未来发展的主要方向。因此做好存量客户关系管理工作,及时识别出有流失倾向的客户显得十分重要。一般而言,流失的信用卡客户仅为所有客户中的一小部分,信用卡客户流失数据集因此呈现不平衡特性。在以往的研究中,对于信用卡客户流失的预测多是将重点放在模型构建以及优化模型上,对不平衡特性的处理仅是采用一到两种重采样方法改变数据分布。少有研究者同时从数据预处理层面和分类算法层面出发建立模型,并为信用卡客户流失不平衡问题提供不同层面的解决方案。本文应用来自LEAPS平台的信用卡客户流失数据集展开研究与分析,针对该数据集的不平衡特性,从数据预处理和分类算法两个层面出发建立模型,深入分析信用卡客户流失数据集上重采样方法和分类器模型的匹配程度、适用情况,以及将重采样方法融入集成学习模型中,探索适用该数据集的最佳建模方法,希望能为银行评估客户流失风险提供新思路。在建模方面,首先从数据预处理层面出发,选取随机欠采样、ENN、SMOTE、Borderline-SMOTE、SMOTE+ENN、SMOTE+Tomek Links六种采样方法结合支持向量机（SVM）和决策树模型进行分类。实验发现采样后模型效果均好于未采样时;SMOTE+ENN方法的召回率、AUC值和G-mean值最高,效果较好;决策树分类效果好于SVM。其次从分类算法层面出发,选择基于Bagging的平衡随机森林（BRF）算法、SMOTEBagging算法,基于Boosting的RUSBoost算法和基于双重集成的Easy Ensemble算法进行建模。实验发现四种集成学习方法中,BRF算法的各评价指标值都较高,预测效果较好,且分类性能明显优于SVM和决策树模型。最后基于BRF模型计算特征重要性排序,挖掘影响客户流失的主要因素。本文所选算法在客户流失数据集上有良好表现,对于解决信用卡客户流失数据集不平衡问题具有一定现实意义。