随着地球村概念的提出以及经济的发展,金融市场变得更加开放,我国经济正在逐步进入信用经济时代,在这个时代,信用消费已成为人们常用的一种消费方式。随着各类信用用户的增多,信用缺失、信用欺骗等问题逐渐显现,这说明我国信用体制还有待完善。为了避免上述问题的发生,分析用户的信用成为关键环节。本文主要研究用户信用体系中的用户画像和信用评级,主要工作可分为以下几个部分:第一,介绍了金融数据的不平衡性并研究了不同的重采样方法。在实际采集的信贷数据集中,通常情况下信用良好的用户比信用差的用户多,如果不加以处理会导致最终评级结果倾向于信用良好的用户。本文通过对比不同重采样方法在相同数据集上的表现以及同一个混合采样方法在不同数据集上的表现,验证了数据重采样的必要性,为后续信用评级提供良好的基础。第二,研究了金融信用体系中的用户信用画像问题,提出一种基于自组织映射神经网络（SOM）的改进k-means聚类算法。该聚类算法首先将处理好的数据输入到SOM神经网络中进行初步聚类,得到最终聚类个数和初步聚类结果,然后将聚类个数作为k值,每一类随机选取一个数据点作为k-means算法的初始聚类中心,最后得到每个用户的还款意愿和还款能力标签并对相关特征进行用户分析。第三,研究了金融信用体系中的信用评级问题,提出了一种基于层次模型融合的信用评级方法,在此方法中第一层使用极端随机树、随机森林和决策树作为基学习器,第二层采用了简单的逻辑回归学习器。为了验证融合模型的准确性,本文在同一数据集下比较了极端随机树、随机森林、决策树、XGBoost、BP神经网络和本文提出的融合模型的效果,结果表明本文提出的融合模型在用户信用评级问题上的准确率优于对比模型。在上述研究的基础上,本文设计并实现了一个可视化的用户信用评级系统。系统采用前后端分离模式,系统界面简洁、操作简单,使用已训练好的模型对用户进行信用评级,并且可以查看数据统计信息。