随着世界经济的蓬勃发展和我国改革开放的逐步深化,信用卡支付已成为现代社会最常用的支付方式之一。作为一种不断增长的服务,如何评估其申请人是否能偿还贷款对于正确的支持金融机构去定义其政策与策略起着关键性的作用。在过去的几十年里,人们提出了许多方法来评估个人信用风险,但是要准确地评估信用风险还存在很多待解决的问题。其中一个问题是如何充分利用现有的无标签数据,从而减少标注成本,解决这一问题的关键技术是半监督学习。另一个问题是如何解决基于深度学习的评估模型准确率不高的问题,解决这一问题的关键是引入树模型的思想。信贷场景中主流的信用评估方法为评分卡,少量业务采用机器学习方法评估,信用评估的模型精度和技术的先进性拥有较大提升空间。在真实场景中,样本的标记需要消耗大量资源,所以大量没有类别标签的样本被浪费,这导致模型训练的过程中只能获取少量带有类别标签的样本。半监督学习可以充分利用未标记数据从而降低标注成本,丰富模型训练集,进而提高模型精度。TabNet在表格数据分析领域崭露头角,其结合了树模型和NN模型的特点可以指导信用风险的评估。通过研究,本文主要做了如下工作:首先,结合相关数据使用TabNet深度学习算法建立信用风险评估模型,结合实际场景进行优化。本文将TabNet模型构建的信用风险评估模型与树模型及CNN模型进行实验对比,实验结果显示初步优化后的TabNet模型在准确率上比对照模型表现更优秀;其次,对TabNet的特征和参数选择部分存在的问题分别进行研究与分析。使用遗传算法（GA）来优化TabNet的Attention Transformer自动特征选择模块,利用粒子群算法（PSO）优化TabNet的超参数选择,实现参数的自动搜索。分析遗传算法“早熟”问题出现的几大原因并进行验证,根据实验结果,对遗传算法进行进一步的优化;最后,引入半监督训练来改善样本数据。为解决信贷场景中常见的数据不平衡与数据标签缺失的问题,结合无监督预训练以及伪标签等技术,设计一种迭代加权半监督的训练方法,在训练过程中为无标签数据动态生成伪标签,扩充训练集数据,提升模型精度。综上,本文引入了TabNet模型评估个人信用风险,研究了模型特征和参数选择模块存在的问题,给出了模型的优化方向,结合了半监督训练方法,最终构建了一个基于TabNet的半监督信用风险评估模型。