信用卡对于个人、企业甚至国家的重要性不言而喻。目前,信用卡面临的主要难题就是信用风险,在普遍缺乏信用管理机制的中国该问题显得尤为突出。如何有效的控制风险,最大化的取得收益,成为信用卡发布机构面临的一个重大难题。因此,从理论层面到实践层面上,信用评估理论有了其广阔的发挥空间。信用卡信用评估的目的在于利用现有的客户属性包括社会属性和自然属性将信用卡申请者分为两类：对于能够较好的履行还款义务的申请者划分为“好客户”,同意颁发信用卡。对于可能出现拖欠或拒绝还款的申请者划分为“坏客户”,拒绝通过信用卡申请。早期的信用评估主要依赖于经验式的定性分析,缺乏效率且极易受到操作人员的主观影响。为此,众多的专家学者试着设计合适的信用评估模型以用于定量的处理信用风险问题。判别分析和logistic回归是最常用的(参数)统计分析方法。随着计算机技术的发展,以数据驱动作为核心思想的机器学习理论越来越受欢迎,决策树、神经网络等在信用评估问题中取得了较大的成功。设计一个合适的信用评估模型是本文的主要研究内容,为此,文章首先介绍了信用评估模型的存在意义。其次在文献综述部分详细的给出了建立信用评估模型的各个步骤以及目前的研究状况。然后通过对常见信用模型的梳理指出了其存在的优缺点。最后本文提出了MARS-SVM模型,充分利用MARS全局处理变量,并能对变量重要性进行排序的优点弥补了SVM不能进行特征选择的缺陷,从而得到了具有较高预测能力的混合模型：MARS是现代回归分析方法,对数据分布要求不高,通过逐步向前引入变量,逐步向后删除不重要变量的方式建立回归模型。所以MARS对变量的重要性排序具有全局最优性。SVM利用格点搜索法并采用交叉验证的方式确定惩罚参数和核函数参数。因此虽然其算法特性避免了“维度灾难”,但是过多的预测变量会影响其工作效率,而MARS的变量筛选正是其合理的补充。SVM的核心部分是核函数的选择,Rbf核函数具有普适性,易操作性的优点最受欢迎。但同时Rbf可能会导致特征空间样本信息损失所以在Rbf核函数基础上提出了KOBF核函数。本文将同时使用KOBF和Rbf作为SVM的核函数以对比分类效果。为了验证模型MARS-SVM的预测能力,本文做了对比实验。利用logistic回归、分类决策树、神经网络对同一样本数据集做了分类处理。结果显示,MARS-SVM模型具有较好的预测能力。