大数据、人工智能技术的研究和应用正在不断加速金融产业的发展。许多金融信贷机构已经将数据挖掘技术应用于信用贷款风险预测、信用评分,从海量的客户数据中抽取可以识别客户风险的有效信息,进一步实现精细化的信贷审批和额度分配。由于客户数据存在高维度、类别极度不均衡、稀疏等问题。目前,信贷风险预测的研究主要集中在特征工程和信用评估模型上。特征工程可以从原始数据中构造出特征数据,评估模型将客户的特征数据进行模式识别。本文从特征工程-模型构建的角度出发,对高维的客户数据进行特征选择,并利用特征选择后的数据建立基于集成学习的风险预测模型。基于智能特征选择的互联网金融信贷风险预测包含以下创新研究:（1）针对客户数据存在高维度且特征冗余等问题,提出一种改进的基于头脑风暴优化算法的特征选择方法。由于传统特征选择方法性能不佳,且现有的智能算法优化效率低、收敛慢。因此,本文通过整合头脑风暴优化算法的空间探索能力和强化学习对规则的推理能力,定义适合特征选择问题的动作-状态函数,设计两种特征子集搜索方法:全局强化搜索和局部变邻域搜索,并执行基于动态更新概率的特征选择方式。（2）针对客户数据存在类别极度不均衡、稀疏且存在特征交互等问题,构造一种考虑特征交互的集成学习信用评估模型。传统的集成学习能够解决类别极度不均衡、稀疏等问题,然而不具备挖掘特征之间交互信息的能力。本文利用集成学习XGBoost识别原始数据的分类结果,并组合成新特征向量,产生分类性强的数据分布。在此基础上,将扩充的新特征进行一阶线性学习、二阶特征组合以及高阶特征交互的复杂数据表征,挖掘特征之间的交互信息。最后,输出所预测的客户风险概率。（3）针对现有风控指标体系薄弱,数据预处理技术不完善等问题,本文设计了一套客户信用风险预估流程。将互联网信贷客户数据的采集、清洗、模型构建、分析、应用整合为一体。其中,应用数据预处理技术获取可行的数据;利用特征选择技术得到风控指标;采用风险预估技术预测不同客户的风险标签。为了验证所提出的特征工程-模型构建框架的有效性,本文利用机器学习数据平台Kaggle上面提供的大型信贷数据进行验证。实验采用了多种先进的特征选择方法和分类算法作为对比方法。实验结果表明,无论是改进的特征选择方法还是信用评估模型,均在泛化性能上超越其他对比算法。从而证明了本文提出的特征选择方法能够更好地提取重要的特征信息,并且所提出的分类算法能够更好地识别客户的风险特性。尽管模型在时效性上不够先进,采用线下训练线上部署的方式可以解决该类问题。综上所述,本文提出的基于智能特征选择的互联网金融信贷风险预测模型,能够更加精确地识别信贷客户的风险特征,有助于互联网信贷机构建设金融信贷业务中的指标体系、完善互联网金融机构的审批和信用额度分配流程。此文得到国家自然科学基金项目（71971143、71571120）的资助。