随着我国机动车保有量快速上升,车险保费由2000年的400余亿元增长至2020年的8245亿元,20年间增长了19.6倍,占财产保险保费收入比重65%以上。受2020年车险综改的影响,2020年车险原保费增幅仅为0.7%,为20年间最低增幅,然而2021年政府工作报告表明要稳定增加汽车消费,国家发改委和商务部将联手不断出台汽车消费刺激政策,必然将推动汽车销量进一步增长,进而带动车险的发展。车险作为财产保险公司的支柱性业务,是保费收入的重要渠道,然而常年处于赔付高、收益低的状态。由于车险占比较大,车险中的欺诈行为导致财险公司额外支出高昂的费用,根据统计,车险欺诈占据保险欺诈的80%左右,影响了车险市场的健康发展,因此需要积极防范和打击车险欺诈行为。车险欺诈行为渐趋隐蔽和职业化,依靠传统方式和人力识别成本较高且已经难以有效应对。机器学习算法的快速发展为车险欺诈识别提供了新的解决途径,是突破解决车险欺诈问题瓶颈的重要渠道之一,当前机器学习和车险欺诈识别模型仍处于起步阶段,因此本文基于机器学习的主流方法对车险欺诈问题进行探究,具有一定的创新性和理论及现实意义。本文首先从机动车保险欺诈的概念入手,分析了机动车保险欺诈的特点,根据车险欺诈的主体梳理了欺诈的主要类型,阐明了车险欺诈所带来的经济和社会危害并分析当下传统的车险欺诈识别工作的弊端,在此基础上介绍了机器学习方法对于车险欺诈识别的优势以及可行性;接着阐述了机器学习方法基本理论和算法的建模,并且介绍了对算法的主要评价指标;然后基于AIB优化数据集对欺诈识别问题进行探究,选取了主流的机器学习算法逻辑回归、随机森林、Adaboost、BP神经网络以及支持向量机对样本进行训练和预测,并进行smote处理优化,针对本此选取的车险理赔数据集得出结论,集成学习的随机森林算法经过smote处理后为最适合的算法模型;最后总结归纳结论,对机器学习在我国车险欺诈识别中的应用提出一些建议,并进行研究展望。