En los últimos años, el número de casos de fraude en el seguro médico básico ha aumentado drásticamente. Necesitamos utilizar un método más eficiente para identificar a los usuarios fraudulentos. Por lo tanto, desplegamos el algoritmo de borde en la nube con menor latencia para mejorar la seguridad y la aplicabilidad en el proceso de operación. En este documento, se propone un nuevo método de extracción de características y tecnología de fusión de modelos para resolver el problema de identificación de fraude en el seguro médico básico. El algoritmo de extracción de características de segundo nivel propuesto en este documento puede extraer de manera efectiva características importantes y mejorar la precisión de predicción de los algoritmos posteriores. Para resolver el problema de asignación de simulación desequilibrada en el escenario de identificación de fraude en el seguro médico, se propone un método de división de muestras basado en la idea de equilibrio de proporción de muestras. Basándose en los métodos anteriores de extracción de características y división de muestras, se propone un nuevo algoritmo de fusión de modelos de entrenamiento y ajuste (ensacado híbrido de árbol, THBagging). Este método aprovecha completamente la idea equilibrada del algoritmo de modelo de árbol basado en Boosting para fusionar, y finalmente logra el efecto de mejorar la precisión de la identificación de fraude en el seguro médico básico.