在农村金融市场中，由于征信环境差，涉农金融机构无法及时有效地筛选信用度高的农户，或者即使能够筛选，但是筛选成本过高。因此，农村金融机构不愿意对农村农户进行贷款融资，造成了农村金融悖论的存在。农村信用环境严重滞后，广大农户却并未享受到信用贷款所带来的实惠，很多农户由于缺乏有效抵押品而无法获得贷款。通过选取农户信用评价指标，建立农户信用评价模型，对农户的信用度进行准确的预测，能够有效地从广大农户中筛选出高信用度的农户，且筛选成本大大降低。一方面能够提高涉农金融机构对农户的贷款积极性，提高金融机构的业务水平，增加收益，降低风险；另一方面，能够有效解决农村农户贷款难问题，使得信用度高的客户能够有效地获得贷款融资。本文首先概括介绍了国外学者对农村金融的理论研究现状和对孟加拉国Grameen银行成功经验的总结，并对国内学者对中国农村金融现状、原因、对策等相关的研究成果进行概述。其次，对如何在农村农户信用评价中应用概率神经网络和支持向量机模型做了说明，并对模型的优缺点进行了详尽的说明。再次，通过对吉林省、辽宁省内的农村金融调查数据，从农户基本状况、基本经济活动和金融行为等方面对吉林、辽宁两省农村农户的特点进行详细分析，确立了影响两省农村农户信用的基本指标，并对在金融机构发生过借贷行为的农户进行调查。最后，使用主成分分析从基本指标中筛选出相关性高的指标，通过因子分析方法利用六个公共因子表示被调查农户的信息，并将其作为概率神经网络和支持向量机模型的输入，对两模型进行训练和预测，并输出结果。结果表明，本文选取的农村农户信用评价基本指标能够有效地对农户进行信用识别；在Spread=0.4时，概率神经网络模型对训练样本正确识别率达到100%，对于预测样本预测准确率为74.04%，其中信用度好的农户的预测准确率达到76.47%，对于信用度差的农户预测准确率较低，为70%；支持向量机模型对于训练样本正确识别率虽然仅为84.34%，但其对预测样本的预测准确率、对信用度差和信用度好的农户的预测准确率均为77.78%，优于概率神经网络模型；概率神经网络模型对信用度好的客户的预测准确率较高，支持向量机模型对信用度差的客户的预测准确率较高。我们得出结论：概率神经网络模型和支持向量机模型均能够用于吉林、辽宁两省农村农户的信用识别，但支持向量机模型预测准确率高，可推广性更强，更加适用于实际应用。