随着汽车保有量的逐渐增加与自然灾害的频发,汽车保险的费率厘定更加受到保险公司的重视。中国银保监会2020年9月发布的指导意见中提出,加大车险改革力度,更加科学地厘定费率,使得车险价格与风险更加匹配。目前广义线性模型是车险纯保费费率厘定的主流方法,而随着大数据的发展,集成学习方法也被逐渐应用于车险纯保费计算当中。基于法国第三方责任车险的索赔数据集freMTPL2freq和freMTPL2sev,在考虑了索赔频率与索赔强度存在相依性关系的前提下,本文建立了索赔频率-索赔强度的纯保费费率模型。其中广义线性模型（泊松回归）、零膨胀泊松回归模型（ZIP）以及零膨胀梯度提升树模型（ZI-GBM）用于建立索赔频率预测模型;广义线性模型（伽马回归）、随机森林模型（RF）、梯度提升树模型（GBM）与轻量化梯度提升树模型（LightGBM）模型用于建立索赔强度预测模型。索赔频率和索赔强度预测模型再通过互信息（MI）与斯皮尔曼相关系数结合进一步确立纯保费的预测模型,此外还通过Copula函数的方法考虑二者之间的相关性,从而建立多个纯保费预测模型,之后利用集成学习（Stacking与Blending）的方法得到了前述多个纯保费模型的融合模型,最后进行模型的比较研究。在索赔频率预测模型中,结合了特征因子交互作用的广义线性模型是拟合效果最优模型,零膨胀泊松分布的梯度提升树模型是次优模型。本文分析得到惩奖水平（BonusMalus）、驾驶员年龄（DrivAge）、车辆年龄（VehAge）是影响索赔频率的前三个风险因子。在索赔强度预测模型中,对数索赔强度的梯度提升树模型在所有索赔强度预测模型中表现最优。对数索赔强度预测模型的结果均要比索赔强度预测模型的结果更优。驾驶员年龄（DrivAge）、车辆品牌（VehBrand）、惩奖水平（BonusMalus）、密度（Density）、行政区域（Region）以及车辆年龄（VehAge）是影响索赔强度的前几个风险因子。索赔频率与索赔强度观测值得出的互信息为0.32,由此说明两者之间存在着较强的相关性关系。考虑相依性建模后得到多个纯保费模型,其中ZIP-RF-MI模型是拟合效果最好的纯保费模型。对多个纯保费模型进行模型融合之后的总模型的预测精度较融合之前子模型要高出许多。考虑到每个子模型运行时长的问题,本文建议模型融合可以用于数据量较少的情况,既节约时间,又能提高预测精度。