由于新冠疫情对我国经济的冲击和破坏,党和政府相继出台了诸多政策帮助小微企业抗击疫情,其中就包括支持商业银行向小微企业提供贷款。为了保障和落实政策,中国银保监会和中国人民银行对商业银行的企业规模划型办法提出了更高的要求。而互联网银行作为新兴的银行形式,因其自身的独特原因在开展企业划型判定上面临着诸多困难。本学位论文选题于工作中的实际问题,在深入分析的基础上,提出了一套集合科学技术与金融场景为一体的小微企业划型解决方案,并进行了实证研究,主要研究内容及成果如下:（1）从解决实际问题角度出发,本学位论文设计了一套使用直接判定与算法模型判定相结合的企业划型综合解决方案。针对互联网银行内企业规模标签体系不完善,企业划型依据普遍缺失的问题,本学位论文通过结合企业知识图谱与机器学习算法模型实现企业三要素的预测和企业规模的判定。同时利用方案的闭环设计,实现预测模型准确性的不断提高。（2）基于提出的解决方案进行了实证研究,搭建了包括机构、行业等多种实体类型和关系在内的企业知识图谱,实现了分散且多源异构化的企业相关数据的知识抽取与融合管理,为企业三要素预测的实现奠定数据基础。（3）构建了三个基于XGBoost算法和贝叶斯超参数优化方法的企业三要素预测模型。通过学习知识图谱提供的多维企业特征,预测模型有着优秀的表现。并且基于预测得到的企业三要素进行企业规模划型的准确率很高。实证研究结果表明,结合企业知识图谱与机器学习模型进行小微企业划型的效果非常出色,可以有效解决互联网银行面临的企业划型难题。该解决方案集合了互联网技术、数据和渠道的创新,具有高度的扩展性和复用性,是利用金融科技完善金融统计工作的创新性探索与尝试,为互联网银行开展小微企业划型工作提供了有效的解决思路。