随着我国商业银行的迅速发展，个人信贷在银行业务发展中扮演着越来越重要的角色。个人信用评分的效果直接影响银行的业务水平和银行发展的整体要求。因此，能否对个人信用进行准确的识别和评估，就成为银行能否合理控制风险的关键。本文首先总结了传统评分模型的研究现状，现有的评分模型主要基于统计学方法和人工智能方法，统计学方法在个人信用评分的应用中会出现不稳定的问题，而人工智能方法的预测精度往往不甚理想。这些问题制约了个人信用评分的发展。针对这些问题，本文从个人信用数据入手，分析了个人信用数据的特点及个人信用评分模型对信用数据的要求，从样本优化的角度对数据进行挖掘，对样本数据进行“降维”和“去噪”处理，运用多指标分层抽样对样本数据进行筛选和抽取，从而避免样本偏差问题，构建出属性品质优良的样本集。在样本集优化的基础上，本文将贝叶斯网络运用在个人信用评分中，贝叶斯网络能够有效解决不确定性问题，在概率论的支撑下，能够很好的对结果进行解释，基于先验概率建立网络结构，保证了模型的稳定性。基于样本集优化的个人信用贝叶斯网络评分模型的应用结果表明，经过优化的样本集的引入能够有效提升贝叶斯网络模型的预测精度，同时模型的稳定性也能保持在较高的水平。