当前，我国上市公司的稳定发展在促进经济增长以及经济结构优化等方面发挥着极其重要的作用。因此，为维持正常的经济秩序并有效防范风险，准确地评估上市公司的信用风险显得尤为重要。在我国，各大商业银行日积月累的信用风险对于我国经济正常运行也是一个巨大隐患，其中上市公司信用风险带来的影响和危害相比一般企业要大很多。风险识别作为风险管理的起点，对于商业银行进行信用风险管理具有重要意义，在这一点上，2008年的次贷危机也为我们敲响了警钟。因此，选择合适的上市公司信用风险识别方法，对于商业银行来说具有重要意义，只有识别出信用风险才能在后期进行有效管理并控制不良贷款的生成。　　信用风险识别是指采用合适的定性与定量方法对借款的客户按照风险等级进行划分，可以分成低风险到高风险等不同等级的客户;在借款发放完毕之后，也可采用相同的方法跟踪分析客户的信用风险等级变化。在信用风险识别方法方面，国外有许多的相关研究，目前国际上也有不少大银行已经在运用一些更有效的信用风险识别方法。包括:多元判别模型，Logistic模型，BP神经网络模型和KMV模型。从前人研究和实际运用的情况看，部分模型尚存在某些不足之处，例如，BP神经网络模型存在着局部极小化以及收敛速度慢等方面的缺点，而KMV模型在实际运用时则缺少相应的外部条件等。因此，本文以多元判别模型和Logistic模型为研究对象，尝试将其作为适合现阶段中国上市公司信用风险识别手段的备用选择。　　本文主要包括五部分内容，第一部分主要从整体上介绍本文研究的背景、内容和方法;第二部分则主要对信用风险识别国内外相关研究的进展情况进行了回顾，并对不同的信用风险识别方法进行了比较分析;第三部分则主要介绍了信用风险识别的相关理论基础，阐述了本文数据指标的选取，并对数据进行了描述性分析;第四部分是本文的主体部分，分别用多元判别模型和Logistic模型进行了实证分析，并对两者实证结果进行了比较;第五部分主要是研究的结论与建议。在进行实证后发现:建立的模型中，多元判别模型的自身验证准确性和预测能力所表现出的特性不如Logistic模型更具实用性;Logistic模型的稳定性也略高于多元判别模型。因此，研究认为现阶段适用于我国商业银行信用风险识别的最优模型为Logistic模型。主要建议包括以下五点:建立信息共享机制，建立适合自身的模型，多种模型结合使用，定量分析与定性分析相结合，并不断学习研究国际上的先进理念与方法。