医疗保险是一种保险制度,主要是为了减少劳动者（参保人）的医疗负担。医疗保险制度的顺利实施,是现代社会的重要医疗保障,有助于社会的安定。随着参加社会医疗保险的劳动者不断增加,面对庞大的医疗保险数据,我国医疗保险机构依然采取传统的方式对医疗保险欺诈进行甄别,即一般采用人工筛选、统计分析方法;但是传统的方法在实际处理中存在不足。用先进科学的方式对海量的医疗保险数据进行筛选识别,将提高测算结果的有效性,对医疗保险机构识别欺诈行为具有重要的辅助作用。本文认为孤立森林检测法可以针对医疗保险欺诈进行有效的检测,因此提出将孤立森林模型引入到医疗保险欺诈的风险预测研究中来,为医疗保险审核人员提供相关数据,更好地帮助医疗保险审核人员对保险欺诈进行识别,减少欺诈风险的产生,在医疗保险操作中具有一定的参考价值。本文以社会医疗保险为研究对象,研究对社会医疗保险欺诈风险的预测问题。首先,对国内外医疗保险欺诈的理论以及文献进行研究。其次,分析社会医疗保险欺诈的现状以及反欺诈中存在的问题。第三,构建基于孤立森林模型的社会医疗保险欺诈风险预测模型,并采用粒子群算法进行参数优化;并进一步构建社会医疗保险欺诈风险预测的指标体系。第四,搜集社会医疗保险的数据,对不同模型进行实证分析以及对比分析。最后,总结全文研究结果,提出改善社会医疗保险欺诈风险控制的建议。本文的研究结论如下:（1）我国社会医疗保险欺诈现状进行分析,虽然近年来医疗保险机构加强了对社会医疗保险欺诈的监管力度,但是仍然存在大量的欺诈现象。而当期的反欺诈方法主要依靠人工规则进行审查,效率低下,并且相对滞后。（2）从实证分析来看,由于样本比例严重失衡,查准率无法有效区分模型。而没有经过重新采样的SVM以及随机森林模型也无法有效识别存在欺诈风险的样本,其真负率为0。进行样本平衡后,从实证检验的各项指标来看,本文构建的基于粒子群算法的孤立森林模型的预测效果最好。在准确率上比人工判别提高19.5%,真负率上提高20.5%。从参数优化效果来看,经过粒子群算法优化的孤立森林比不优化的孤立森林在准确率上提高4.6%,真负率提高10.6%。比遗传算法优化的孤立森林在准确率上提高2.9%,真负率上提高5.6%。（3）从指标有效性来看,医疗保险欺诈用户报销药品的金额明显高于正常用户,并且从变异系数看,存在报销的金额对比其平时的报销出现较高幅度上升的现象,并且大概率地在可能存在管理漏洞的医保欺诈风险较高的医院进行报。本文的研究对提高医疗保险欺诈风险的预测准确性,完善对医疗保险报销的审核和监督管理,具有一定的参考价值。