我国信用债市场在发行数量和发行规模上都处于快速增长的阶段,信用债已经成为企业融资的重要渠道。与此同时信用债的违约风险也逐渐暴露,而债券违约会给投资者利益造成严重的损害,大规模的债券违约潮还会对我国金融市场的稳定造成不利影响。因此,建立有效的违约风险测度方法和评估方法对我国信用债市场的稳健发展具有重要意义。KMV模型是现代主流的信用风险度量模型,而我国债券违约历史较短,历史违约数据积累少,无法完全照搬模型的相关参数设定来应用于国内公司的信用风险测度。另外,KMV模型由于其自身的理论约束,仅适用于度量上市公司的信用风险,而无法对未上市公司的信用风险进行测度。本文针对上述问题进行了相关研究,主要研究内容有:本文对KMV模型的违约点估算方式进行了修正,使其能够更好地反映我国企业的违约风险水平。传统KMV模型一般采用固定系数的违约点估算方式,但是该方法没有考虑不同行业内公司商业模式和财务结构的差异性,而且常用的估算系数并不一定适用于我国的金融市场。基于KMV模型计算结果中违约距离与公司主体信用评级的相关性,同时考虑行业差异性,本文提出了一种计算不同行业内公司违约点估算的最优系数的方法。研究结果表明不同行业间公司违约点估算的最优系数差异明显,基于最优系数计算的违约距离与信用评级的相关性普遍高于常用的固定系数,而且基于违约点优化后的KMV模型计算得到的违约距离相较于常用系数能更好地识别不同信用评级对应的违约风险水平。本文还提出了一种将KMV模型应用于测度非上市公司违约风险的方法。本文通过搭建人工神经网络模型（ANN）来预测非上市公司的资产价值及其波动率,从而可以进一步运用违约点修正后的KMV模型计算非上市公司的违约距离并分析其违约风险状况,即ANN-KMV方法。本文设计了三种人工神经网络模型来测度非上市公司的违约风险,包括BP神经网络、卷积神经网络以及Inception神经网络。实证结果表明基于Inception神经网络的违约风险测度方法在违约风险识别和预警方面的表现都要优于其他两种神经网络模型。本文还发现将上述违约距离的计算结果进行行业内排序,若违约距离在行业内处于较低的水平,则说明公司潜在的违约风险较大,将来发生违约事件的可能性也较大。因此本文提出的基于人工神经网络和KMV模型的违约风险测度方法可以对非上市公司的违约风险进行有效预警。本文提出的违约点修正方法提高了KMV模型对我国企业违约风险分析的适用性,而且对企业违约风险水平的识别能力也有所增强。基于人工神经网络和KMV模型的非上市公司违约风险测度方法极大地拓展了KMV模型的应用范围,还可以对违约风险进行有效预警。因此本文的研究在信用债发行主体的违约风险测度方面具有一定的实践意义。