近年来,随着我国经济机构的不断改革优化,政府政策的更加完善,经济总量快速地发展起来,人们对物质的需求发生了很大的转变。这些因素都使得我国人民的消费观不断地发生着潜移默化的改变,每个人都成为消费主力大军中的一员,“超前消费”更加地“深入人心”。“超前消费”在促进经济快速发展的同时,也为金融机构带来了更大风险,由于需求不断增加,导致激进消费者缺少足够的资金去偿还借款,多头借贷就成为这类人群应对借款期限的手段之一。而这种手段只能在有限的时间段内缓解个人的经济状况,但并不能解决任何的实质问题,所以这类人群的违约风险将呈几何倍数放大,并为金融机构带来较大的经济损失。在此情况下,对于多头借贷风险的预防以及对多头借贷的精准识别来进行系统、全面的研究,将具有更加重要的现实意义与理论价值。更加合理、精准的多头借贷防控模型不仅可以有效降低多头借贷发生的可能,同时在保证信贷业务增长的情况下,为我国经济快速健康的发展提供有力的支撑。本文结合国内外先进的多头借贷研究成果,通过对这些方法进行详细的分析与比较,尝试构造更加高效、精准的多头借贷防控模型。本文从用户多头借贷的角度出发,结合国内某金融机构真实的POS端消费数据,运用多种机器学习方法,建立多头借贷用户识别模型。在综合比较了国内外先进的研究方法的基础上,首先结合多重插补思想,利用随机森林对原始数据中的缺失值进行插补,同时对变量之间的逻辑关系进行分析,对数据中存在的逻辑错误进行筛查修正。然后将Fisher score与遗传算法结合进行特征选择,确定入选模型变量,从而达到降维的目的。最后将logistic回归模型与支持向量机模型组合起来,以此构建最终的组合判别模型。其中基于多重插补思想的随机森林插补法考虑了单一插补唯一引起的插补偏差,提高了插补方法的稳健。在特征选择阶段,以Fisher score作为遗传算法的评价准则,改善了 Fisher socre选择特征时陷入局部最优的困境。另外,在构造多头借贷用户识别模型的过程中通过组合模型将单一模型的评价结果进行综合,弥补单一评分方法偏差较大的缺陷,对我国个人消费信用评估方法的研究提供具有实际价值的研究成果。本文在着重分析比较了国内外个人信用评估方法的优缺点之后,对每一个处理步骤进行对比分析,择优选取入模方法,以此达到提升模型效率的目的。本文主要的研究结论既为构建更加具有稳健性与适用性的个人信用评价指标体系,并在此基础上以多头借贷用户的识别作为核心问题,组合个人信用评估模型的评价结果,实现各种方法的优势互补。