信用风险是商业银行最主要也是最基本的经营风险，商业银行的稳健发展也需要依靠对信用风险的有效管理。随着我国利率市场化进程的加速推进以及金融创新的不断发展，商业银行面临越来越激烈的竞争环境，而被视为商业银行最主要风险之一的信用风险也再次成为金融业关注的焦点。在此背景之下，提出新的量化模型来衡量、控制并管理商业银行的信用风险，避免在信贷过程中不必要的损失，以减小总体坏账率，是当前商业银行所面临的当务之急。然而传统的信用风险评估只是通过静态的历史财务比率进行分析，没有建立一个系统性的风险识别模型来预测和控制信用风险。因此，提出一个能有效衡量银行所面临的信用风险的系统模型非常重要。本文所阐述的SVM算法是一种机器学习算法，属于凸优化问题，在企业财务数据变量较多的情况下，该算法能够将高维空间中的样本点通过核函数映射至低维空间内进行计算，并且不需要了解核函数具体的映射形式，从而能够很便捷的解决高维度下样本点的分类问题。同时，SVM算法可以克服传统方法中对样本数据必须满足一定分布的缺陷，对原始数据分布无要求，可以快速地对小样本、非线性的样本点集进行分类，并且预测准确率较高。本文首先对信用风险管理的相关理论进行了概述，同时介绍了商业银行在传统的信用风险管理过程中所使用的方法。之后从统计学习理论的角度对SVM算法的理论基础进行了阐释，并提出了改进的网格搜索法在SVM算法中的应用，能提高传统网格搜索法的遍历精度和效率，然后将传统logistic模型与改进的SVM算法结合成一个组合模型，克服了logistic模型在临界点附近区间分类准确率较低的缺陷，从而有效提高了组合模型的分类准确率。最后，从A股市场上筛选出财务数据作为研究样本，分别对其使用传统logistic模型、传统SVM算法、基于改进的网格搜索法的SVM算法以及LOGIT-SVM组合模型进行实证比较研究，实证结果表明组合模型具有最高的分类准确率，相比于其他模型具有明显的优势。