中小企业在促进经济增长、缓解就业压力、优化经济结构等方面发挥着不可替代的作用,但是我国中小企业普遍存在可抵押的固定资产少和信用等级低的问题,因此很难从商业银行获得贷款,融资难问题一直束缚着中小企业的发展。在这种背景下,供应链金融业务为解决中小企业融资难问题搭建了可靠的平台。但是,中小企业信用风险仍然是商业银行开展供应链金融业务所面临的主要问题。在供应链金融模式下,如何建立一套完善的信用风险评估体系,从而有效地规避信用风险,已成为政府、银行和学者们普遍关注的热点问题。鉴于此,本文从供应链金融的视角,通过统计分析与机器学习方法,对我国中小企业信用风险作定量评估,为降低银行放贷风险、解决企业融资难问题提供决策参考。首先,根据全面风险管理理论、信息不对称理论与系统理论,基于指标选取与体系构建的全面性、科学性、公正性、合法性及可操作性,从宏观环境、融资企业与核心企业自身状况,结合供应链金融与信用风险的特点,分析风险的影响因素遴选评价指标;然后,以国泰安和万得数据库为基础,分别获取中小企业财务数据及信用评级数据,采用数据归一化处理后,通过主成分分析法,确定最终的信用风险评价指标体系。在实证分析部分,首先,通过构建具有隐变量的离散贝叶斯网络（BN）模型,借助高斯混合聚类（GMM）算法确定了模型的隐分类,并分别应用K2算法和期望最大化（EM）算法进行结构学习与参数学习,得到了信用风险分类的预测结果;然后,通过迭代逐步法,构建了风险评估的Logit模型,将此模型的预测结果与具有隐变量的离散BN模型对比,结果表明,前者预测精度不如后者;最后引入经典的机器学习模型——离散BN模型,决策树模型和支持向量机（SVM）模型,分析比较这些模型与具有隐变量的离散BN模型的分类性能。模型性能比较结果表明:首先,加入隐变量,优化了离散BN模型的分类性能,提高了预测准确率;其次,比起决策树模型和SVM模型,具有隐变量的离散BN模型预测准确率更高、稳定性更好。因此,本文所构建的具有隐变量的离散BN模型,可为商业银行在供应链金融模式下评估中小企业信用风险时提供决策建议。