随着互联网技术的迭代更新,新兴的金融行业势头正盛,市场的需求也产生了更多的变化,个人信贷业务随之快速的发展起来,各种贷款平台、贷款种类层出不穷,从小到消费、住房、教育,大到企业贷款、融资等都离不开贷款。然而在全球化背景的影响下,金融市场环境波动性日益加剧的刺激之下,违约现象频发,信用风险产生的影响日益严峻,使得银行与金融机构要更加谨慎的对待借款人的个人信用状况。分类的精度在金融业起着至关重要的作用,在信贷客户选择、风险衡量等方面即使信用评分的精度提高1%也会大大减小金融机构的损失。然而,对于特定的数据集,特定的分类器可能最适合,但是很难寻找出最适合的特定分类器,因此许多研究表明分类器集成也许是一种更加有效的方法。本文对Diwakar Tripathi*et al[10]中所提出的集成框架进行改进,使用分类器排序与Ada Boost算法相结合构建以分层多数投票或加权投票为基础的RLAda Boost集成框架并且利用UCI公开数据库中的澳大利亚信贷数据集以及德国信贷数据集进行模型的性能验证。RLAda Boost集成框架首先利用四种特征选择方法筛选特征,再从7个常用的基分类器筛选出5个基分类器并再计算秩后,利用Ada Boost提升5个基分类器的性能,得到其更新的F1值与秩,并从正确率、敏感度、特异度与G-measure等方面比较了集成框架多数投票（MV）、加权投票（WV）、分层多数投票（LMV）以及分层加权投票（LWV）的效果。RLAda Boost在澳大利亚平衡数据集中表现优异,其中四种特征选择方法下的Ada Boost+LMV与Ada Boost+LWV相较于MV与WV都得到了相应的提升,STEP+Ada Boost+LMV的整体精度最高,并且四种特征选择方法下的Ada Boost+LMV与Ada Boost+LWV都比MV与WV的ROC曲线效果都更好。在德国非平衡数据集中,表现较为良好,在正确率与特异度都取得了更好的表现,并且其中CORR+Ada Boost+LMV的整体精度最好。并且发现在相同的特征选择数据下Ada Boost+LMV与Ada Boost+LWV比Bagging+LMV与Bagging+LWV表现更好。实验结果表明,本文提出的RLAda Boost集成框架在澳大利亚信用评分数据上取得了明显的效果,在德国贷款审批数据集上取得了一定的进步,且RLAda Boost比RLBagging集成框架性能更优越。