信用风险一直是商业银行面临的主要风险。在目前国内外复杂的经济环境下,加强我国商业银行信用风险管理对维护我国经济持续健康稳定发展至关重要。随着银行信贷对风险防范的要求越来越高,对企业的评价标准越来越全面,商业银行对信用风险度量模型化以及风险量化的要求也越来越强。鉴于此,本文从商业银行的角度,综述了国内外对信用风险进行评价的传统统计学方法以及现代人工智能方法的研究现状,阐述有关信用风险及信用风险管理的《巴塞尔资本协议》,对三个现代信用风险的度量模型进行了分析。本文确定了适应于中国银行湖南省分行企业信用风险评价的指标体系构建原则,具体的指标构建和筛选方法,最终从盈利能力、营运能力、偿债能力、发展能力、现金支付能力五个方面,构建企业客户的评价指标体系。本人从中国银行湖南省分行数据库中采集了85家企业的财务数据,根据这些实际数据,开发了Fisher判别分析以及BP神经网络信用风险度量系统,分别在SPSS软件以及MATLAB软件平台上进行信用风险度量系统的构建以及实证分析。从实证分析结果来看,无论是基于Fisher判别法的信用风险度量系统还是BP神经网络的信用风险度量系统都有较高的判断准确率。从本文结果来看,无论是基于传统统计学方法Fisher判别信用风险度量系统或者是现代人工智能方法的BP神经网络信用风险度量系统,都能够从样本数据中分析出本文数据库中的商业银行客户企业的信用风险状况。本文的研究能够对商业银行信贷实践起到一定的指导作用,从而降低商业银行所面临的信用风险。