我国商业银行不良贷款率持续上升,个人信用风险亟需控制,传统的人工信用审核方式周期较长,效率较低,准确率难以保障,建立高准确率、高稳定性的信用评估模型势在必行。国内外学者对于信用评估模型做了大量的研究,回顾已有文献,发现众多信用评估模型变量选取和参数设定含有较强的主观性,并且缺乏对违约客户评估准确率的重视。本文在现有研究的基础上,应用德国银行客户数据,选取了理论上适合处理个人信用评估问题的逻辑回归、支持向量机和人工神经网络三种单一模型。逻辑回归模型建立过程中,作者引入分类变量,分界值根据前人的研究设定为0.551,对于总体的预测准确率达到62.5%,违约客户识别率达到44%。支持向量机模型的建立过程中,对比了不同核函数的预测准确率,选取了多项式作为核函数,相比理论上推荐的径向基函数,对违约客户识别率更高。常见的BP神经网络模型仅包含一个隐含层,本文在对比了不同节点数的单隐含层和双隐含层对总体和违约客户预测准确率后,发现单隐含层具有较高的预测准确率和稳定性,所选用的单隐含层模型具有更强数据支持。通过比较单一模型的运行结果,得出神经网络模型对违约客户具有较高的识别率且三个模型的总体预测准确率相差不大。在神经网络模型的基础上,采用遗传算法优化神经网络模型的初始权值和阈值,提升模型的稳定性,应用逻辑回归对数据指标进行筛选,减少了数据指标共线性对模型结果的影响,分别建立了GA_BP模型和Logit_GA_BP模型,前者对总体平均预测准确率为66.17%,对违约客户平均识别率为63.1%,后者对总体平均预测准确率为64.81%,对违约客户平均识别率为68.32%。Logit_GA_BP组合模型对于违约客户具有较高的预测准确率和较强的稳定性,并且可以清楚的解释各指标变量对信用状况的影响,对于商业银行建立自动化的信用评估系统具有一定借鉴意义和应用价值。