随着经济发展，“互联网+”金融迅速崛起，提前消费观念越来越被大众所接受，居民追求更高的生活品质，对房屋、车辆等大额商品的需求不断增加。据统计，截止到2018年末，个人贷款总额占全年人民币贷款的29.45％，而个人贷款的不良贷款余额达20300亿元，反映了个人贷款需求大风险高。为了经济健康发展，金融机构及时规避风险，正确评估借款人信用是亟待解决的问题。实际问题中信用数据受不同国家、地域和经济文化的影响具有一定的特殊性，现有信用评估方法更适合特定的应用场景和数据集，鲁棒性较差。本文提出了基于组合分类策略的个人贷款信用评估模型。评估模型包括特征选择和组合分类两部分组成:
　　首先，特征选择分为两阶段:第一阶段特征过滤，分别计算每个特征与类别的互信息值，并从大到小排序，设置过滤阈值，将小于过滤阈值的特征剔除;第二阶段特征分组，分别计算两两特征之间的互信息值，并从大到小排序，设置分组阈值，将大于分组阈值的特征分为一组，以此类推，直到所有特征被分组，选出每组中与类别关联度最大的特征作为最终的特征子集。保证特征子集与类别关联度大，特征间冗余度小;
　　其次，选择信用评估问题中具有代表性的支持向量机、逻辑回归、随机森林和K-最近邻这四个算法作为组合分类的基分类器，分别根据基分类器在数据集上的准确性和稳定性计算决策分值，各基分类器对新客户信用好坏进行评判，将信用评判为一类的基分类器的决策分值相加，并比较大小，得到最终新客户的信用好坏。组合分类量化各基分类器在数据集的效果，提高更适用的基分类器在最终决策中的作用，降低误判率。另外，针对真实数据普遍存在的样本类别不平衡问题，本文采用SMOTE采样对样本少的类别进行扩充。
　　为验证提出的信用评估方法的有效性，本文在三个UCI真实信用数据集上进行SMOTE采样与普通过采样对比实验、改进互信息和传统互信息对比实验以及组合分类器和单分类器对比实验，实验结果表明，本文的方法对不同真实数据集具有较好的准确性和稳健性，适合实际问题应用。