二十一世纪以来,随着我国的经济水平不断发展,人民生活水平的逐年提高,国内机动车保有量也不断突破新高。与此同时,机动车引发的道路交通事故不断增多,作为财产保险公司收入的重要来源,车险业务占据了财产保险市场的50%以上。据统计,大约20%的车险索赔具有欺诈的可能性,但只有不到3%的欺诈被起诉,欺诈形式日益严峻。2020年车险综合改革也提出了"降价、增保、提质"的目标,在此政策背景下,借力机器学习技术提升反欺诈水平,通过高效的欺诈识别能力可以降低保险人支出,维持车险行业的良性运营。本文以理论分析与实证分析相结合的方式,首先总结了车险欺诈的形式和特点,并阐述了车险欺诈行为对保险行业和社会的危害,总结近年来常见的车险反欺诈方式。其次分析了与车险欺诈行为相关的信息不对称、不完全合约、效用理论等经济学理论。在车险欺诈的博弈分析中,提高欺诈行为识别率可以有效减少投保方的欺诈行为。而机器学习通过技术赋能,可以有效提升车险欺诈的识别效率。在对机器学习的理论进行概述后,进行了机器学习助力车险反欺诈的必要性和可行性分析。在数据、技术、政策的多方支持下,机器学习技术可以为车险反欺诈系统增效。在实证分析中,基于A保险公司B省分公司2019-2020年度的80428例38维的原始车险案件样本数据（96%诚实案件,4%欺诈案件）进行实证建模,经过了数据清洗、显著性分析、数据均衡下采样等步骤后,选择了8个显著性较强的的特征变量。根据本文的数据集特征,本文选取了有监督学习的逻辑回归、决策树、支持向量机、随机森林、XGBoost共五种机器模型算法,进行了算法优劣势比较,并对每个算法及相应重要参数的基本原理进行简要介绍后开始建模。本文按照7:3的比例分配训练集和测试集,结果显示,逻辑回归等传统机器学习算法的识别能力一般,而采用集成学习方式的随机森林、XGBoost算法识别能力较强,模型评估的AUC分数达到0.94。实证章节采用了机器学习的统计学习方法,但仍需挖掘机器学习技术在保险反欺诈领域的诸多价值,借鉴机器学习技术在实务中的经验。本文列举了国内外4个应用机器学习技术进行保险反欺诈的案例,其中太保“听风者”巧用语音识别技术识别欺诈信息;美国Lemonade保险公司运用计算机视觉和自然语言处理技术为反欺诈提效,我们通过以上案例,我们得出了未来发展的经验借鉴。因此,机器学习技术助力车险反欺诈是可行的,但还应该不断挖掘机器学习的语音识别,自然语言处理等多方面价值;提高数据收集的维度、准确度,加强对新技术、新算法的研究;促进多方的数据共享,互通互用;加强对机器学习技术的监管,防范新技术产生的风险。让机器学习技术安全、高效的打击车险欺诈行为,为车险反欺诈体系贡献一份力量。这对于我国车险行业的健康发展、我国诚信体系的建立具有积极意义。