随着信息技术的不断进步、经济的高速发展,人们消费观念和形式的逐渐转变,互联网行业和银行金融行业的关系日益密切,各类大大小小的互联网金融公司也不断地涌现出来。互联网金融的出现,不仅打破了银行的传统借贷方式,降低了借贷者融资的难度,使得人们能够直接实现线上融资,金融交易更加方便快捷,同时也催生了很多互联网小额贷款公司和互联网金融平台,各式各样的互联网借贷业务不断兴起。但是,由于整个行业还处于兴起阶段,导致国内互联网借贷平台鱼龙混杂,金融欺诈手段层出不穷,风控部门的技术手段也不够完善,相关的负面新闻频繁出现。如何做好互联网金融行业的风险控制也是一大难题,是否能做好用户欺诈的识别是行业健康发展的关键。本文在前人对网络贷款反欺诈的基础之上,将理论分析和实证研究相结合,收集到用户的征信信息,包括个人基本信息、工作信息、运营商信息以及信用卡借贷信息消费信息等。从中提取出正常用户和欺诈用户的行为特征,对比分析不同层面上正常用户和欺诈用户的区别。采用机器学习算法如支持向量机、随机森林和GBDT算法模型进行数据挖掘对比研究,从模型识别准确率、召回率、精确率和AUC值多方面探究模型的效果。经过分析得出不同的模型在不同的维度上各有优点,对于本文数据来说随机森林和GBDT的整体表现要更加优秀,相关人员可以根据实际需要选择合适的模型。