信用评估模型在金融机构的借贷决策中起着重要作用。可靠的信用评估模型有利于降低信用分析的成本,减少可能遭受的经济损失风险,帮助决策者分析借贷者的行为。现有的大多数信用评估模型往往未考虑真实信用数据集中存在的高维和类别不平衡问题,并且无法准确识别少数类样本,从而导致坏账情况的发生。因此,需要一种能够更好地处理高维不平衡数据的信用评估模型以辅助金融机构快速做出决策。针对现实信用评估中的高维不平衡数据,本文提出多阶段信用评估模型以提高贷款违约预测的能力。该模型可以分为以下阶段:数据准备阶段、特征处理阶段、平衡子集构造阶段以及分类器训练和集成阶段,在不同阶段分别采取不同的策略来优化模型。本文的研究工作以及创新点主要包括:（1）提出一种组合特征处理方法和基于数据分布的重采样方法,提高模型对于高维不平衡数据的处理能力。组合特征处理方法可以利用特征选择和特征提取各自的优势,实现对高维数据特征的有效处理和利用。为了解决类别不平衡问题,本文研究并比较了三种经典的重采样方法。在现有重采样方法的基础上,提出一种基于数据分布的重采样方法以构造平衡子集。该方法采用K-Means聚类算法得到多数类样本的数据分布,并根据数据分布计算从不同聚类中采样的数量。实验表明本文提出的高维不平衡数据预处理方法对于高维不平衡数据具有最佳的处理能力。（2）采用混合扰动的方式训练多个基分类器,提高基分类器的多样性。通过样本扰动的方式保证输入每个基分类器的训练集是不同的,利用参数扰动的方式随机选择基分类器参数,确保训练得到的分类器具有一定的差异,从而提高集成模型的预测能力。实验结果表明基于混合扰动的方式可以训练多个不同的基分类器以构造集成模型,并且集成模型的性能比单一模型更好。（3）采用自适应的超参数优化框架和基于软投票的集成学习方法构建信用风险评估模型,通过多分类器组合提高模型的预测能力。基于嵌套交叉验证方法采用自适应超参数优化框架自动优化所选分类器的超参数,以获得具有最佳性能的分类器。通过对优化后的多个分类器进行任意组合,可以得到多个分类器集合。采用软投票方法结合多个分类器的预测结果,得到每个分类器集合的最终预测结果,根据多个分类器集合的预测性能动态地选择最合适的模型。实验结果表明自适应超参数优化方法能够优化分类器的性能,通过软投票方法可以获得集成模型的最终预测结果,提高模型的预测能力。本文在两个真实的信用数据集上设计并进行实验,基于四个评价指标上的实验结果,验证了本文所提出的信用评估模型在解决高维和类别不平衡问题中的优越性能。多阶段信用评估模型能够有效解决多数类样本和少数类样本的分类问题,可以更加准确地评估客户的信用状况。