随着商业银行的快速发展，信贷业务在其发展进程中的地位日益显著，信贷风险水平的控制直接影响到商业银行整体的进展。因此，对个人信贷风险的识别和评估的准确与否，就成为了商业银行能否合理控制风险的至关因素。过去的研究主要集中在模型精度的提高对评分方法进行挖掘及优化，而忽略了“拒绝推论”即样本偏差这一重要问题。由于很多评分机构只能将接受样本的部分数据通过信用模型来预测贷款申请者违约与否，导致出现样本偏差问题进而影响信用评分模型的有效性。因此，在信用评估范畴内，样本偏差问题是一个急需处理的问题。本文首先对样本偏差及其纠正技术进行了分析。提出了利用蒙特卡洛生成随机数的方法产生样本，加入到原始样本中形成新样本集从而优化样本集，利用加入生成样本后的优化样本集来解决样本偏差这一问题。在产生样本方面，本文对生成样本的生成方法进行了阐述及选择，并对个人信用评分指标体系进行构建，确定商业银行个人信用评分指标，通过对商业银行原始样本的指标进行分析，确定其分布规律及内在联系，产生指标数据，同时对数据相应的还款情况进行分类，运用软件进行训练形成生成样本。并对生成样本加入原始样本中好坏客户比例及生成样本和原始样本的搭配比例进行了构造及说明，最终形成优化样本集。最后，利用优化样本集对评分领域单一模型和组合预测模型进行了效果检验。检验结果表明，将优化样本集作为个人信用评分模型的样本数据不仅能使其预判精度明显提高，同时也能使得样本偏差问题得到很好的解决。