近年来,随着信贷市场的快速发展,商业银行越来越注重对信贷风险的把控。不少学者和银行已经尝试使用随机森林算法、XGB算法和神经网络等构建信贷违约预测模型,预测的准确率已经达到了一定的高度,但模型的预测效果仍有一定的提升空间。本文基于国内某商业银行的客户信贷数据,使用集成学习方法构建信贷违约预测模型以获得更准确的客户信贷违约概率。基于对Stacking结构的研究,本文针对Stacking第二层结构提出了三点改进:第一,改进了Stacking第二层的特征选择,在使用Stacking第一层的输出作为第二层输入的基础上,增加所有原特征数据和使用特征重要性筛选后的特征数据两种特征扩增方案,使第二层模型具有更高的特征复杂度;第二,深度优化Stacking第二层的模型训练过程,共进行轮训练,新一轮的样本数据选取第二层原特征数据串联上一轮模型的预测结果;第三在第二种改进的基础上,新一轮的样本数据选取上一轮的样本数据串联上一轮模型的预测结果。基于单算法模型、原Stacking结构和两种改进后的Stacking结构,本文一共进行了四组对比实验。通过对实验结果的对比分析,改进后的Stacking结构对信贷违约的预测结果有了显著的提高,其中对Stacking的第二种改进方法更为有效。