个人信用评估是商业银行风险管理的重要组成部分，其本质是一个分类问题。随着社会和经济的发展，个人信用评估的作用正日益加强。个人信用评估的方法已发展出了包括统计方法和非统计方法两大类许多种方法。支持向量机(Supportvectormachine简记为SVM)是非统计方法，比较适合解决大样本的分类问题。并且具有出色的学习和推广能力，已经成为信用评估分类的研究热点。当支持向量机处理非线性问题时引入了核函数，因此核函数也是支持向量机的一个研究方向。支持向量机是统计学习理论的新内容，已广泛应用于模式识别、回归估计、概率密度函数估计等领域中。　　本文研究内容与研究结果为:　　(1)简述了个人信用评估和支持向量机的研究进展，详细叙述了个人信用评估的常用方法，尤其重点介绍了支持向量机方法。　　(2)针对支持向量机核函数，研究了支持向量机核函数的性质和映射特点。定义了一种新的核函数，并在数据集Australian和数据集Germany上进行试验验证。试验结果表明:组合核函数支持向量机优于单一核函数支持向量机。　　(3)针对个人信用评估指标，提出了先用模糊聚类的方法对数据指标降维，再用支持向量机分类的方法。在两组数据集上试验，并和主成分指标降维的支持向量机及全部指标的支持向量机做比较。试验结果表明:指标降维后的支持向量机要优于全部指标支持向量机;在一定的参数和试验数据下，模糊聚类降维要优于主成分降维。