商业银行的经营对我国经济的发展有着重要的影响。商业银行受到多种风险的威胁，其中，信用风险是威胁到其生存的风险。为了降低信用风险带来的不利影响，商业银行需要评估贷款申请者按协议履行还款义务的能力，从而获得贷款申请者违约的可能性。这一评估过程被称为信用风险评估。　　从过去几十年以来，信用风险评估已经成为商业银行合理制定融资决策、降低融资风险、提高信贷利润的重要依据。信用风险评估方法包括专家分析、统计分析和人工智能等。研究表明，人工智能模型在一些信用风险评估问题中取得了比统计模型更好的性能。与统计模型不同，人工智能模型不需要关于变量分布的假设，并且可以直接从训练数据集中获取知识。在进行信用风险评估，尤其当信用风险评估问题是非线性模式分类问题时，人工智能模型的性能往往比基于统计分析的模型更优。　　在信用风险评估问题中，评估模型的预测准确率对于商业银行的利润影响较大，模型的准确率仅仅提高一个百分点就可能使商业银行挽回很大的损失。另外，评估模型的可理解性也是一个重要的参考因素，可理解性更高的模型可以帮助决策者根据自身的专业知识进行有效的决策。　　在个人信用风险评估问题中，常见的人工智能模型存在运行机理难以理解的问题。另外，个人信用数据离散类型的属性较多，这些数据并不适合作为一些人工智能模型的输入。在企业信用风险评估问题中，神经网络模型存在容易陷入局部最优和收敛速度太慢的问题;对于企业信用评分这一预测问题，基于分类的支持向量机模型不再适用。针对上述问题，本文分别针对个人信用风险评估问题、企业信用风险评估问题，提出了三种不同的人工智能模型，并在不同的信用数据集上验证了模型效果。　　第一、基于多目标规则分类的个人违约预测模型。针对个人信用数据离散类型的属性较多的特点，提出了的基于多目标规则分类的个人违约预测模型。将预测准确率和规则可理解度作为两个优化目标，并使用多目标遗传算法来优化顺序覆盖算法中的规则。实验结果表明，该模型具有更高的预测准确率、且得到的预测结果更易于理解。　　第二、基于PSO-BP集成的企业违约预测模型。针对企业违约预测问题，提出了基于PSO-BP集成的企业信用风险评估模型。首先使用Bagging抽样技术获得足够多不同的训练数据集，接下来使用不同的训练集子集训练得到不同的PSO-BP组合成员分类器，最后使用组合投票准则整合不同组合成员分类器的分类结果。实验分别在国内中小企业、国外中小企业、国内上市公司信用数据集上验证了本文模型的有效性。　　第三、基于RS-SVR的企业信用评分模型。针对企业信用评分问题，提出了基于RS的SVR集成模型(RS-SVR)。该模型首先使用随机子集抽样模型获得足够多不同的训练数据集，接下来使用不同的训练集子集训练得到不同的支持向量回归模型，最后使用简单平均方法整合不同模型的预测结果。实验结果表明:在企业信用评分问题中，集成学习方法可以提高模型的预测性能，RS-SVR模型具有最好的预测结果。　　综上所述，本文对基于人工智能的信用风险评估模型进行了研究，并提出了三种不同的模型。本文研究有助于丰富和完善银行信用风险管理的理论体系、提高商业银行的风险管理水平和综合竞争实力，为商业银行的信用风险预警提供有力支持。