信用风险是巴塞尔委员会定义的商业银行信用风险、市场风险、操作风险三大风险之首,是现代商业银行面临的最重要的风险,也是导致商业银行破产的最常见的原因之一。2008年美国金融危机以及近几年我国商业银行不良资产迅速增长,都警示我们要时刻注意信用风险。提升信用风险度量和预警水平是提高风险防控能力的主要手段。2011年,中国银监会基于巴塞尔III出台了《中国银行业实施新监管标准指导意见》以及《商业银行资本管理办法(试行)》,规定达到条件的商业银行可以采用内评法计算风险加权资产,这就需要商业银行准确度量信用风险。目前国内信用风险管理度量预测研究方兴未艾,但由于诸多条件限制,商业银行信用风险度量能力距离国际发达国家还有不少差距。这些因素都迫切需要提升商业银行信用风险度量和预测研究水平。本文旨在学习借鉴国内外信用风险度量和预警的先进模型和最新的人工智能技术,结合我国国情,建立适合商业银行实际的信用风险度量实现系统。本文分别从理论和实践、技术和业务等多纬度展开研究,全面梳理信用风险预警系统、度量模型、实现工具,研究其基本理论和核心思想。在对我国股份制商业银行资产质量快速下滑的主因进行实证分析的基础上,基于信息爆炸时代大数据挖掘的特点,指出人工智能是提升信用风险度量能力的有力工具。本文在深入研究深度置信网络(Deep Belief Network,DBN)算法基础上,为使受限波尔兹曼机(Restricted Boltzman Machine,RBM)的在解决有监督学习问题时,充分挖掘标签数据特征,提出了基于分类分区受限波尔兹曼机的深度置信网络。为受限波尔兹曼机的隐含层单元参数增加分类分区惩罚项,惩罚项向量基于训练样本的标签值生成,服从高斯分布。该向量在系统初始化时确定,在训练过程中保持不变,每次训练根据标签分类决定所使用的惩罚向量。深度置信网络的第二阶段系统调优时取消惩罚项。增加分类分区惩罚项,可以增大训练时权重的不确定性,且根据标签分类不同,有倾向性的改变权重值的影响。改进后的算法对于阻止过拟合和学习不足有非常优异的效果。本文基于单户企业财务数据,建立了财务危机预警模型。基于大数据挖掘理念,针对人工智能系统与传统统计分类模型的区别,本文确定选取较大量的财务指标作为研究对象,将企业盈利与否作为预测的目标,建立基于分类分区受限波尔兹曼机深度置信网络的实证研究系统。对时间节点T的前三年(T-1、T-2、T-3)三个时间节点进行预测实证研究,三个节点的第一类(危机)预测准确率分别为90.28%、88.24%h和84.20%。对样本量较少的第一类样本的分类准确率高于样本量较大的第二类样本的分类准确率。与相关工作相比预测准确率相对较高,也验证了改进后的算法对小样本数据的学习能力大幅提升。该实证研究初步搭建起商业银行信用风险单户财务危机预警系统框架,具有较高的实用价值。针对输入样本相同,输出为不同连续变量的多任务预测问题,提出了层次贝叶斯深度置信网络算法,提升有监督学习预测能力。本文利用A股上市公司财务报表进行了实证研究,预测的财务报表绝对误差较小,可信度较高,在具体指标预测上取得较大突破。有助于商业银行及其他机构预测企业未来经营状况,为各专业领域专家的分析提供可靠的数据依据。本研究成果,也可为其他度量模型提供可靠的中间数据,提高预测深度。本文研究的结论可以使商业银行系统开发人员根据自有数据对模型再次进行加工调整,经过简单的个性化改造后直接建立自有风险预警系统,应用于本行的管理实践。本文力图从金融机构经营实际需求出发,坚持理论与实践相结合,使科技真正成为促进经济发展的源动力。