近些年随着互联网的高速发展,P2P网络借贷行业也进入了高速成长期,其逐渐填补了传统借贷行业的空白,成为中小企业以及个人借贷的重要管道之一。而提高P2P网贷平台的风险识别能力,增强对借款人信用风险的判断能力是目前我国P2P网贷平台的首要工作。本文通过借款人的历史借贷数据,结合机器学习的方法进行借款人的违约行为预测,并利用合理的方式对使用者进行信用评分。具体有以下内容:首先,介绍了P2P网络借贷行业的发展与现状,针对目前借款人的信用风险问题阐述了本文的主要研究内容基于GA-BP模型的网络借贷信用风险评估研究。其次,介绍了BP神经网络以及遗传算法的相关理论,并构建了基于遗传算法优化的BP神经网络模型(GA-BP模型)。再次,利用美国Lending Club公司2017年1月至2018年6月的借贷资料,根据用户的住房性质、工作年限、借款目的、年收入等变量来对用户进行违约画像分析,从而定性的分析了违约风险与用户特征存在的联系。从次,针对原始数据集特征不能全面的描述借款人信息的问题而提出了基于原始特征的特征衍生方法。同时介绍了随机森林相关理论,利用随机森林进行特征重要性筛选,最后根据皮尔森相关系数来选取最终用于模型训练的特征集。利用BP神经网络测试的结果证明使用含有衍生特征的数据集训练得到的模型可以有效提高预测准确率。最后,利用前文得到的数据集进行GA-BP模型的训练并进行预测,结果表明本文构建的GA-BP模型的预测效果要好于传统的BP神经网络。最后,提出了利用GA-BP模型的输出层sigmoid函数值作为借款人的违约概率进行信用评分并建立评分卡的方法。并给出了在不同信用评分区间的相应放款建议,对于P2P网络借贷平台具有一定的参考价值针对我国的P2P网络借贷行业的发展有着一定的积极影响。