在科技高速发展、互联网行业急速扩张的时代背景下,许多行业都从传统模式向互联网方向拓展,互联网金融便应运而生。P2P网络贷款平台是互联网金融的衍生品之一,也是网络贷款平台的典型代表。P2P平台作为金融业的创新模式,在市场上发挥了其积极作用。通过对以往的研究梳理发现:P2P平台中多数信用风险评级采用单一模型,而单一模型性能的提升空间已非常有限,同时组合模型这方面的研究相对来说较少。因此,本文的研究重点是对个人信用风险评级的模型进行比较分析,并在此基础之上对模型进行优化和改进,以更好地降低个人信用风险带来的影响。本文以P2P平台个人信用风险等级为研究对象,探寻信用风险等级评定的更优模型,以解决评级过程中由于结果不准确带来的损失。对P2P平台在我国的发展状况和平台行业中存在的风险进行分析,从信息不对称理论的视角出发总结风险存在的原因。本文选取2017年人人贷官方公开数据作为研究样本,再对常用的5种信用等级评定模型（判别分析、logistic回归模型、神经网络模型、支持向量机、随机森林）进行比较、分析,对比每种模型在准确性、适用性和可解释能力方面的特征。根据模型比较的结果,神经网络模型在信用风险评级中要优于其它模型。将遗传算法与神经网络模型相结合,创新于信用风险评级问题中。用遗传算法来优化的神经网络模型不但保留了神经网络的优点,还结合遗传算法的优势,不再把单点搜索作为基础,而从不同的点来得到多个机制,使得模型不易陷入局部最优,提高模型的收敛速度,同时,可以提高模型预测信用等级的准确率。本文的创新首先是基于一个新的视角——信息不对称理论,从产生信息不对称现象的几种原因对P2P平台和行业存在的风险进行分析;其次在于把径向基函数神经网络作为指标的降维方法,帮助选出重要性更大影响更强的指标,使模型学习到更有解释力的特征因子,保证模型的准确性以及可靠性;最后还在于采用遗传神经网络模型,确立了独特的较为优化的P2P平台个人信用评级模型,通过遗传算法优化BP神经网络模型,实现两者优势互补,完善个人信用风险评级模型的构建。经过实证分析,遗传神经网络模型具有更高的准确性和适用性。准确率的提高,会在一定程度上减少把信用等级低的客户错误地预测为信用等级高的客户给网络贷款平台所带来的损失。同时,也减少了把信用等级高的客户预测为信用等级低的客户而带来的客户流失问题。