信用风险一直是金融市场上最基本、最古老也是危害最大的一类风险。近年来,信用风险再次受到整个金融业的极大关注。随着金融自由化、全球化和金融创新的发展,商业银行面临的风险环境日益复杂,行业内的竞争日益激烈,使得银行面临更大的信用风险。然而,由于信用风险具有收益可偏性、非系统性和违约数据难获取性的特点,长期以来对信用风险的分析只停留在传统的、静态的、历史的财务比率分析和信用分析上,没有有效的信用风险模型来衡量和控制违约风险。因此,研究信用风险的度量、控制和管理成为学术界和应用领域的一个重点,信用风险是21世纪最重要的风险管理挑战之一。本文首先介绍了信用风险的概念,从而引出了信用风险管理,紧接着介绍了信用风险管理的意义、目标、作用和内容,然后又归纳了信用风险管理中常用的9种分析方法,并归纳了其优缺点和适用性。本文的重点是从统计学习理论的角度,详细阐述了近年来最常用的支持向量机(SVM)方法。传统的SVM算法的预测正确率比较高,尤其是当训练样本的数量和测试样本的数量不是很多时。但在实际应用中,数据量较大时,预测精度会降低,因此需要进一步改进模型,提高预测的准确精度。有鉴于此,本文提出了能够提高信用风险评估中SVM算法预测正确率的三个方案:参数优选、不良训练样本的删减以及测试样本的重新判别。通过分析形成了一个改进的SVM算法模型,并用MATLAB软件编程实现。然后用具体数据进行测试,实践表明本文提出的改进SVM算法对于信用风险违约情况的预测正确率要高于传统的SVM算法,并且当样本规模越大时,改进算法的优越性越明显。