随着电子商务的发展与大数据时代的到来,传统的营销策略已经不能满足电商的快速发展,电商越来越倾向于从海量消费者数据中挖掘用户偏好、发掘潜在客户,并提出更为客观的数字营销战略。本文基于用户画像、行为和购买等信息构建相关的用户复购预测模型,通过实证分析与比较发现基于Borderline-SMOTE过采样技术的Voting与Stacking融合模型的预测效果与稳定性最优。为降低商家的库存与营销等成本,对用户进行精准营销,从而有效提高投资回报率（ROI）有一定的借鉴意义。本文的主要研究工作如下:（1）首先,本文根据天猫用户画像和消费数据进行可视化分析,大致了解了整体复购情况和用户性别与年龄对复购的影响情况。（2）根据原始变量主观构建了用户、商户和用户商户交互三个层面且与目标变量相关的新特征。并运用word2vec中的CBOW模型对商户ID进行编码。为了剔除冗余与无效特征,运用标准差筛选法和极端随机树筛选法对所有特征变量进行筛选,最终筛选出离散程度低,与用户复购行为密切相关且对模型预测贡献程度最高的36个特征。（3）由于在所有用户中复购者仅占6.12%,目标变量呈现不平衡分布。本文运用Borderline-SMOTE过采样方法对数据进行随机采样,很好地解决了目标变量不平衡分布对模型预测的影响。（4）根据过采样后的数据构建基于K近邻、随机森林与Cat Boost的单一模型,并运用交叉验证和随机与网格搜索方法不断迭代模型对参数进行优化,对比预测效果发现Cat Boost预测模型效果最好,在测试集上的预测准确度达到95.44%。以单一模型为基模型进一步构建Voting与Stacking融合模型,经过实证分析比较,加权投票与Stacking融合模型在训练集与测试集上的预测准确率和F1值均达到96%以上,相对单一模型具有更强的稳定性与泛化性能。通过预测效果对比分析,基于K近邻、随机森林与Cat Boost的Stacking融合模型对于用户复购行为预测效果最好,很好地提升了单一模型的泛化能力与稳定性。为电商识别忠诚客户进行有效推广有很好的模型借鉴意义。