作为互联网金融的代表，P2P网络借贷打破了传统金融的地域、时间限制，是通过互联网实现小额贷款的创新型金融模式。在目前 P2P平台借贷需求大却成交率不高的背景下，本课题以人人贷为例，对 P2P网络借贷中影响投资者行为的因素进行分析。理论研究方面，本文对已有的理论和研究现状综述，概括出目前 P2P网络借贷中投资者意愿的4个维度：个人信息，信用信息、借款信息以及社会资本，并描述目前4个维度下影响因素的研究现状。在上述视角下以人人贷上搜集的9000多条项目信息为例，为数据做维度的划分和描述性分析，结合数据特征及初次借贷者和非初次借贷者的个体差异，分别对这两个群体分析并作对比。本文的主要创新点在于：　　（1）本课题将多分类器融合和递进式分类模型引入P2P借贷中。在模型分析上，本课题在传统量化分析的基础上，使用随机森林组合分类模型和贝叶斯分类模型对数据拟合，并比较数据拟合效果，给出综合性的影响因素及具体权重。　　（2）本课题基于 ELM模型将文本描述纳入风险评估范围。本课题加入了文本描述这一属性，创新性的将借款描述作为借款人借贷信息，加入模型预测中。在以往文献中只对借款人提供的基本信息进行分析，而在小微贷款中，借款人的借款描述全面性和真实性也会影响投资人的感知信任，进而影响投资决策。　　结果表明，随机森林和贝叶斯网络模型达到理想的分类效果，并且投资者对初次借贷者和非初次借贷者投资意愿的影响因素确实存在差异。在辅助模型分析中，证实动态信息对个体加工能力的促进作用，其中文本描述对初次借贷者和非初次借贷者的影响略有差异。在P2P网络借贷一方面市场需求大、发展前景较好，另一方面由于信息不对称、监管不到位等原因导致网络借贷成功率一直不高的背景下，本文的研究结论有助于借款人对自身申请信息调整，此外，对于正在逐步落实的P2P平台监管政策及信息披露准则有一定的理论借鉴意义。