信用风险是指客户未履行合同义务而导致的经济损失风险。近些年来,竞争的加剧和不良贷款较多的现状要求银行更好地控制信用风险。个人信用评估是银行判断客户能否还款的主要方式,它在很大程度上降低了银行的风险。个人信用评估模型主要有三类:传统的统计方法,非统计方法,以及两者的结合。但是,因为个人信用评估是较为多变的,同时各变量间一般均存在较大的关联,目前在个人信用风险领域内,大多运用主成分分析进行特征提取。然而实际情况中数据多为非线性关系,线性降维的方法并不十分适用。因此本文考虑在个人信用评估领域引入非线性主成分分析来进行研究,以较为充分地利用其中蕴含的信息,提高模型的预测精度,为实际的应用提供可参考的方法。进一步,本文在非线性特征提取的基础上,选取逻辑回归和加权随机森林模型作为个人信用评估领域的两类代表,分别构建基于非线性主成分的逻辑回归个人信用评估模型和基于非线性主成分的加权随机森林个人信用评估模型,并以德国信用卡数据集、澳大利亚信用卡数据集为研究对象,验证模型的有效性与实用性。实证结果及ROC曲线的分析表明,相比传统的线性主成分方法,非线性主成分特征提取方法能有效实现数据的非线性降维,可以较大程度上提高模型的预测性能。这也就验证了相对于传统主成分分析法,非线性主成分具有更好的降维效果,也使得模型的结构更为简单,预测更为精准。