电商异常订单检测是近年来异常检测在电商供应链领域中最为热门的任务之一。早期的异常订单检测任务通常是采用个别算法构筑模型,并利用调参手段尽力逼近模型精度上限。但在实际情况中,异常订单的起因多种多样,尽管统一被标注为异常订单,但其样本特征与标签间的映射关联不同,也就是说,基于单一假设的单模型仅擅长识别符合假设的异常订单,而对背离假设的异常订单识别能力有所欠缺,造成单模型难以胜任检测任务。随着组织和个人对异常订单检测的要求越来越高,异常订单行为模式库日趋庞大,选择多种模型分摊检测任务以实现优势互补和协同输出,更符合现实情况的需求。因而基于多模型的电商异常订单检测任务成为近年来重要的研究方向之一,具有重要的研究价值和应用价值。近年来,集成学习算法在异常检测、推荐系统和网络安全等众多领域取得了耀眼的成绩。集成学习框架是一种训练并结合多个学习器来解决问题的模型集群,在异常订单检测任务中占据统治地位,其中尤以在多届Kaggle大赛中效果出众的Stacking集成框架最受瞩目。基于该框架构建的Stacking融合模型是多个异质学习器的结合,通过算法自动寻找融合基模型产出的最佳规则,因其综合了多个模型的优势故效果远胜单模型。但是传统Stacking融合模型未对组件分类器的强弱加以鉴别,同时其基模型的产出单一导致次级数据集维度过低,本文针对上述缺陷构建了改进后的Stacking融合模型。本文主要以基于改进Stacking的异常订单检测模型进行订单异常检测研究。分析电商订单异常检测任务的特点:（1）原始数据过于粗糙,亟须处理才能投入模型;（2）异常样本的标签与特征间存在多种假设,致使单模型分类效果不佳。基于此,本文建立处理电商订单数据集的特征工程流水线,并提出基于改进Stacking的电商异常订单检测模型框架:首先针对原始订单数据集安排诸如特征理解、特征增强、特征构建等一系列加工步骤,得到可用的高质量数据集,继而构建随机森林分类器、GBDT分类器、XGBoost分类器置于Stacking融合架构底层,并构建KNN元分类器收集基模型的产出加以汇总,组建基于改进Stacking的异常订单检测模型,最后将成熟数据集投入模型加以训练,并对比单模型、融合模型和改进融合模型的效果。实验结果显示,通过特征工程和改进Stacking模型,电商订单数据集的正负样本分类结果上有了进一步的提升,表明本文对数据所做的处理和对模型所做的改进切实有效,从而得出结论:基于改进Stacking集成的异常订单检测模型在模型性能方面优于单模型和传统Stacking模型。