伴随着中国经济的迅速发展,信用交易越来越普遍,提高信用管理的技术水平和建立良好的信用评估模型变得极为重要。马田系统是一种行之有效的模式识别方法,目前在很多领域都得到了应用。本文将k-means聚类算法引入到马田系统中,构建了一种基于k-means聚类算法的马田系统模型,并将其应用到个人信用评价中,取得了较好的效果。主要研究内容包括以下的两个方面：(1)基于k-means聚类算法的马田系统理论研究筛选特征变量是马田系统中的一个重要环节,不同特征变量构成的基准空间就会得到不同的类别分析结果,如何有效地筛选特征变量是一个值得研究的问题。传统的马田系统利用正交表来设计试验方案,利用异常样品马氏距离的信噪比来对特征变量进行筛选,从而有效减少特征变量的个数。本文试图将k-means聚类算法与马田系统结合起来,利用正交表来设计试验方案,针对每一种试验方案,都利用k-means算法对原始样品进行聚类,得到多组聚类结果的正确率,以该正确率的信噪比作为筛选特征变量的评价指标,进而得到有效的特征变量,达到优化马田系统基准空间的目的。(2)基于k-means聚类算法的马田系统应用研究以某银行的个人信用评价数据为背景,对基于k-means聚类算法的马田系统模型进行应用研究。将k-means聚类算法、基于k-means聚类算法的马田系统方法以及传统马田系统方法在个人信用评价中的应用进行具体研究,并进行比较与分析。最后得出结论：基于k-means聚类算法的马田系统模型所筛选的变量与k-means聚类算法利用穷举法所筛选的变量基本一致,说明基于k-means聚类算法的马田系统模型筛选出的特征变量是有效的；基于k-means聚类算法的马田系统方法预测客户信用状况的准确率高于传统马田系统的预测准确率。