随着我国宏观经济保持稳健增长,居民人均可支配收入不断升高,消费逐渐成为了拉动我国经济增长的第一动力。自2015年以来,我国消费金融市场快速扩张,在传统金融机构大力发展个人消费信贷业务的同时,消费金融公司、网络小贷公司等新型金融机构也在积极布局消费金融市场,我国消费金融渗透率不断攀升。而与个人消费信贷的快速普及以及新型消费金融机构的日益壮大伴随而来的,是频发的消费信贷风险事件和居高不下的个人消费贷款不良率。对借款人进行有效、准确的信用风险评估,是个人消费信贷业务流程中最重要的环节,也是促进消费金融行业健康发展的迫切需要。目前,金融科技的应用越来越广泛,大数据、机器学习等技术在金融领域也愈发受到关注。因此,基于金融科技技术,建立一套适应我国消费金融发展需要的个人信用风险评估模型具有重要的研究意义与应用价值。首先,本文通过对国内外相关文献的回顾,梳理出了目前个人信用风险评估模型的发展趋势,确定了本文具体的研究方向并选定了以多分类器融合作为本文构建模型的框架。本文对个人消费信贷的业务流程、主要风险进行了介绍,并分析了我国个人消费信贷与个人征信体系的发展现状,进一步阐述了构建合理的个人信用风险评估模型的重要性,并整理了目前最常用的个人信用风险评估模型的基本理论,为本文后续的模型构建打下了理论基础。其次,本文基于Stacking集成策略,搭建了包含基分类器和元分类器两层的多分类器融合模型框架。以目前个人信用风险评估领域中应用最为广泛的朴素贝叶斯、逻辑回归、k近邻、神经网络、支持向量机、决策树和随机森林七种分类器作为基分类器,并创新性地引入目前在个人信用风险评估领域应用较少的模糊积分作为元分类器,构建了基于模糊积分的多分类器融合个人信用风险评估模型。此外,在模型的构建过程中,采用了规划方法来确定模糊积分元分类器的模糊测度。合理的模糊测度能够最大限度地发挥各个单一分类器的优势,实现基分类器之间的优势互补,从而提高融合模型的分类准确率。最后,为了验证模型的有效性,本文以我国某金融机构的真实个人信用数据作为样本进行了实证分析,并采用了分类准确率、错误率、F1值、G-mean值和AUC值作为模型评估指标,对构建的多分类器融合模型和单一基分类器进行了全面的模型评价和对比分析。实证结果表明本文构建的模型能够有效地完成对借款人信用风险的预测,并有着优于单一基分类器的性能表现。此外,本文还对融合模型中基分类器的重要性和交互作用进行了分析,尝试进行了基分类器的筛选,进一步提高了融合模型的性能。结合本文所做的工作与我国个人消费信贷、个人征信体系建设的现状,在本文的结尾提出了一些有针对性的政策建议以及对未来研究的展望。