随着我国金融体制改革的加快和居民收入水平的提高,消费贷款在金融业务中所占比例不断提高,信用经济消费模式在人们日常生活中被普遍认同,各金融机构也逐渐将经营重心转移到消费信贷业务上。信用经济的发展给社会生活带来极大便利的同时,日益增长的信贷规模也给金融机构带来了巨大的信用风险。因此科学全面的对借款人的信用状况进行有效地评估,无论是对于传统金融机构还是新兴互联网金融企业都显得前所未有的重要。这既是学术界研究的主要问题,也是各大金融机构亟待解决的战略问题。越来越多的研究者和业务部门投入到个人信用评估领域,旨在探索更加科学高效的算法以实现用户的信用评估。本文不仅要实现评估的高精确性,还要综合考虑模型的稳健性和可解释性,旨在得到各方面都较为优良的个人信用评估模型。基于Lasso理论的Logistic模型不仅能挑选出重要的特征变量,其预测精度也比全变量Logistic模型和逐步回归模型更高。针对目前BP神经网络容易造成不收敛且耗时过长的问题,在模型建立过程中进行参数优化,使其达到最好的预测效果。然后将Lasso-logistic回归模型和参数优化后的BP神经网络模型组合,建立组合模型。将基于Lasso理论挑选出的特征变量和Lasso-logistic回归输出结果共同作为BP神经网络模型的输入变量。在对个人信用评估的概念进行了界定之后,参考国内外经验构建了本文的个人信用评估指标体系。并选取公开信用数据集对本文的个人信用评估模型进行验证。在建立模型之前,对样本数据进行了定性分析,从而对个人信用评估体系的可解释性提供相对直观的依据。接着完成了数据的准备工作,包括指标赋值和标准化处理,将数据集划分为训练集和测试集,为建立基于Lasso-logistic回归和神经网络的个人信用评估模型做好数据准备工作。实验证明,相较于Lasso-logistic回归和BP神经网络模型两种单一模型,本文所建立的组合模型兼顾了准确率高、稳健性强和可解释性更优良的特点。最后,对本文工作进行了总结和展望。