目前,消费金融机构中的信贷员在处理客户的贷款申请时,需要对客户进行信贷风险评估,识别出客户的违约风险。信贷员根据机构模型预测的客户违约概率并依靠主观经验,判断每个客户在贷款金额和贷款利率发生改变时引起的违约率趋势变化,确定最终的审批结果,该结果的准确性会受到信贷员自身经验和知识水平的限制与影响。为了实现对借贷者信贷风险的准确评估以及违约概率趋势变化的量化分析,本文研究并开发了一套基于模型融合的信贷风控预警系统。首先,利用统计学方法预处理贷款违约数据。为了更好地挖掘数据集中违约样本的潜在信息及减少不同类别样本间的不平衡度,将孤立森林（Isolated Forest）算法改进后与SMOTE（Synthetic Minority Oversampling Technique）方法相结合,提出了一种新的过采样算法Isfr-SMOTE。该算法通过对违约样本评分来衡量样本相似度,避免了直接使用特征数值来度量样本间的距离,并结合特征实际含义与违约样本自身特点修正了该算法。经预处理方法得到了适用于建模的样本数据,并利用机器学习和深度学习方法构建了信贷违约预测基础模型,以验证Isfr-SMOTE算法的有效性。其次,考虑到上述基础模型对坏样本数量过分低估,造成模型性能不足,结合信贷评估场景下机构资金池饱和度不同影响信贷员误判的实际情况,改进并构建了自定义Focal Loss 的 LightGBM 模型、改进 GHM（Gradient Harmonizing Mechanism）Loss 的DNN（Deep Neural Networks）模型、针对不同客群设定损失权重的DNN模型以及低维嵌入表征样本的Siamese Network模型。通过设计模型融合方案,利用上述LightGBM模型和改进GHM Loss的DNN模型预测样本的违约概率,然后将设定客群损失权重的DNN模型和Siamese Network模型分别用于修正上述被高估的样本违约概率、丰富本层输出所包含的原始特征信息,实现了将这4个侧重点不同的改进模型部署到集成框架中融合成一个综合模型,并添加概率校准方法使得最终的信贷违约预测模型输出接近样本的真实违约概率。最后,设计并开发了信贷风控预警系统。将信贷违约预测模型部署到该系统中,并针对系统需求中“样本违约率变化趋势量化”功能设计了具体的实现方案,完成了违约风险趋势预警的量化分析。系统采用Client/Server模式的应用架构,从服务器端数据库读取待审核的贷款申请信息,并执行相应的业务逻辑功能,将信贷风险评估结果和违约概率变化趋势量化结果展示在客户端界面上,辅助信贷员在审批决策时准确控制信贷风险、预警客户高违约概率,通过样本测试数据证明了本系统的高效性与可行性。