近年来，国内P2P平台发展迅猛，平台数量剧增，规模扩大，成为拓宽投-融资渠道的重要力量。但是P2P网络借贷规模普遍较小，其风险管理能力尤其是信用风险远低于传统商业银行。相较于传统金融机构（银行、信托等），P2P网络借贷平台受互联网风险的影响，信用风险、市场风险等问题愈发突出。当借款人发生违约行为，会给投资人和平台带来经济损失，因此加强P2P网络借贷平台信用风险监控刻不容缓。　　目前国内学者多采用传统统计方法评估信用风险，而统计模型严格的假定条件，使其难以处理大数据背景下的P2P信用风险问题中高维异构数据。随着人工智能的发展，一些机器学习方法在实际应用中取得了不错的效果，其中集成学习算法具有融合多种算法优势，稳健性更好。但是目前针对特定中国网络借贷市场集成学习方法分析研究尚缺乏，因此本文基于装袋法、提升法和随机子空间构建模型，在信用风险影响因素的理论分析基础上，结合实际提取的中国网贷数据，研究P2P借款人信用风险预警问题。尝试从三方面对信用风险量化模型进行改进，以期提高风险监测效率:(1)针对不同集成学习方法在中国实际情况下的适用性问题，比较不同模型的预测效果，探索适合中国网贷信用风险监测的集成方法。(2)针对信用风险影响因素维度较高的问题，本文运用随机森林实现特征筛选以提高学习效率。(3)针对数据中违约类别远小于未违约类别的问题，运用SMOTE解决类别失衡问题，防止模型过度倾斜多数类。结果表明:(1)由实证结果看出集成模型明显优于单分类模型，随机子空间在保证类别平衡时表现最优，准确率最高可达0.9831，装袋法与树形模型的稳健性也较好。(2)与没有进行特征选择的指标集相比，引入随机森林方法进行特征选择后的指标集提升了模型的预警能力和稳健性。(3)非平衡数据的处理能够显著提高单分类模型的准确率，对集成学习模型提升较不明显。