该文从理论上对指标输入、网络结构以及算法实现等问题进行了阐述,并通过仿真验证了模型的有效性.仿真样本取自90家在上海证券交易所上市的机械、仪表、设备类公司,运用因子分析确定了样本的教师信号.网络学习采用加入变步长策略的梯度下降法,仿真结果的判别正确率达到100﹪.最后,论文构建了用于信贷风险评估的模糊神经网络模型.模糊神经网络的提出是为了将模糊系统的推理结构与神经网络的自学习功能结合起来,改善神经网络运算结果的可解释性.根据信贷决策的特点,该文重点在网络结构、学习算法、输入数据处理三方面进行了研究.仿真结果表明,该文构造的模糊神经网络不但达到很高的判别正确率,而且具有一定的解释功能.该文研究结果表明,运用神经网络技术识别信贷风险可以达到很高的正确率,而神经网络与模糊系统的结合将进一步改善网络的解释功能.作为处理复杂系统的有力工具,神经网络在银行信贷风险评估领域中的应用具有良好的发展前景.