近年来,随着全球经济的增长和普惠金融的发展,传统的银行和一些互联网金融企业开始探索针对个人的小额线上信用借贷。但是,由于个人信用信息系统的不完善,在银行和一些互联网金融平台上有关借款人的信息相对较少,借款人和贷方的信用风险也更大。因此,在线信用的个人信用评估和预警已成为一个热门而又棘手的问题。然而,在互联网金融借贷快速发展的背景下,也存在很多问题。首先由于社会信用体系的不完善,制度完善仍然还有很大的空间,在对个人或者企业进行信用风险评估的时候带来了很大的挑战。另一方面,个人信用观念的缺失对整个社会经济的稳定和发展也产生负面影响。在互联网金融公司或者商业银行对借款申请人的进行信用评估的时候,有监督学习算法被广泛的使用。因为它们利用了可以从对过去交易的分析中学习算法的假设。但是,当必须考虑客户行为的变化以及欺诈者发明新颖欺诈模式的能力时,这项任务就变得具有挑战性。在这种情况下,无监督学习算法可以帮助检测借款申请人的异常行为。在本文中提出了一种混合技术,将有监督和无监督学习的技术相结合,以提高对在对个人信用评估时的准确性。先对用户数据分别从局部,全局和集群三种不同的粒度上使用无监督算法计算用户的异常得分,然后再利用有监督学习算法得到用户的综合信用评分。实证分析的结果显示,本文的方法与已有的单一的有监督学习模型相比,不管是在异常得分特征向量的重要性程度上,还是在测试集的KS和AUC上的提升,都说明了加入无监督学习算法后模型的效果和鲁棒性都有一定程度的提高。其中在多种粒度上使用无监督和有监督学习结合的效果最好。