对电力企业客户进行信用评价能有效地降低供电局的经营风险，信用评价问题本质上是一个分类问题，而在电力企业客户中，信用差的客户占极少数就决定了这样的一个分类问题是不平衡的分类问题。本文在神经网络模型的基础上对这类问题做了研究。首先对信用评价进行了介绍，然后详细解释了RBF神经网络的原理及其学习算法，在研究电力企业数据的特点的基础上，提出了解决多类不平衡分类问题的神经网络模型，取得了很好的效果，并结合实际数据做了实验分析。本文所做的主要工作有：　　 1.提出了基于均衡聚类分块的RBF神经网络模型，有效地提高了在不平衡分类问题上利用神经网络进行建模的准确率，并且提出一种基于最远点对的均衡聚类算法，有效地降低了时间复杂度，改善了分块不均衡的问题，并取得了较好的运行效果。　　 2.在基于均衡聚类的神经网络模型的基础上应用自联想算法，并把该算法从二类问题推广到多类不平衡分类问题，使其适合电力企业客户数据具有发散性的特点，还引入联想率，以适应多类样本的要求。　　 3.提出了基于密度覆盖的增量递减的爬山法，并利用该算法对联想率等参数进行最优化搜索，为神经网络其他的参数选择提供了指导意义。　　 本文的研究成果不仅对聚类算法应用到神经网络方面具有理论意义，而且对于促进电力企业客户在信用评价等领域的应用具有实际意义。