随着我国国民经济的迅速发展,信用消费逐渐成为当前人们消费的主流方式。在个人消费信贷不断升温的情况下,各大金融机构纷纷跻身信贷市场,并开发了许多与消费信贷相关的产品。由于我国个人消费信贷起步较晚,管控此类问题的相关法律法规还不完善,该领域面临着各种各样的信贷风险。如何在保障人消费信贷健康发展的同时有效降低其引发的风险,是消费信贷业及相关主体面临的关键问题,个人信用评估逐渐成为降低这一行业风险的关键切入点。在实际应用中不断提高评估模型综合性能是个人信用评估的主要研究方向,本文基于此目标做了以下研究:首先,本文选用综合性能较好的支持向量机（Support Vector Machines,SVM）作为基分类器,由于SVM的分类性能受参数影响较大,提出利用改进的天牛群算法（Improved Beetle Swarm Optimization,IBSO）优化SVM（IBSO-SVM）的参数,来提升SVM信用评估的性能。为了验证改进模型的有效性,与其他优化SVM参数的智能算法作对比实验。其次,针对单一模型的分类精度泛化能力较差的问题,论文构建了以IBSO-SVM为基分类器的自适应增强个人信用评估集成模型。将IBSO-SVM作为基分类器,利用自适应增强集成算法（Adaptive Boosting,Ada Boost）对该基分类器进行迭代集成,创建基于多分类器优化集成的个人信用评估模型。以UCI库中的德国信贷数据集（German Credit Dataset）和澳大利亚信贷数据集（Australian Credit Dataset）为研究对象,进行个人信用评估模型构建。实验结果表明,在对信用数据进行分类时,与IBSO-SVM算法、K近邻（K-Nearest Neighbor,KNN）、SVM、随机森林（Random Forest,RF）等相比,Ada Boost结合IBSO-SVM的算法（Ada-IBSO-SVM）能有效地提高了整个样本的分类准确率,该模型的评估效果在两个数据集上都达到了最优。然后,针对单一模型适用于不同数据环境的问题,提出了基于智能算法优化组合模型的个人信用评估模型,实现不同模型间优势互补的目的。本文在串并行模型的思想上构建了稳定性和评估性能更强的串并行组合模型,首先利用Ada-IBSO-SVM算法处理信用数据,然后将其实验结果与其他信用特征一并作为Stacking-并行模型的输入数据,最后与其他单一模型和集成模型作对比。实验结果表明,本文提出的改进模型在两个上信用数据上的AUC值和KS值均取得最大值,验证了改进模型较其他单一算法和集成算法具有更好的评估效果。最后,论文利用改进的组合模型在中国台湾信用卡数据（Default of Credit Card Clients）数据上进行实例分析,并对个人信用评估存在的问题给出了对策和建议。