近年来，随着金融的全球化趋势及金融市场的波动性加剧，商业银行的风险管理一直是国际国内金融界关注的焦点。在银行业经常面临的各种风险中，最突出、最集中的风险就是信贷风险。所以，进行信贷风险的评估，对于我国商业银行的安全运行，具有十分重要的现实意义。 支持向量机是基于统计学习理论的一种新的机器学习方法，由于其坚实的理论基础和良好的推广性能，已经成为近几年的研究热点。本文将支持向量机应用到商业银行信贷风险评估中，建立了基于支持向量机的信贷风险评估模型，并对支持向量机的理论和方法进行拓广。同时，为达到理论与实践相结合的目的，还利用实际数据进行信贷风险的实证分析，取得了良好的效果。论文的主要工作如下：1.介绍了支持向量的性质和增量学习过程，提出了一种新的支持向量机增量学习算法。理论分析和实验结果表明，该算法能在保证分类精度的同时，有效的提高训练速度并降低存储空间的占用。 2.针对标准支持向量分类机(C-SVM)在处理银行的两类分布不均衡的样本点数据时存在的缺陷，引入了一种基于两类训练点个数不均衡的支持向量分类模型，同时给出了该模型的对偶问题。 3.采用主成分分析法筛选出商业银行进行信贷风险评价的主要指标变量，再利用支持向量机模型对指标变量进行分类识别。文章选用2004年度240家两类贷款申请企业和2004年176家三类贷款申请企业的数据样本，对该模型进行验证，通过与神经网络模型的比较，实证结果表明了该方法用于风险评估的有效性及优越性。