随着大数据时代的来临,提升对大规模数据的认知能力是技术发展的迫切需要。针对认知计算领域内的单一人工神经网络存在结构大、解释性不强、时间复杂度高等问题,本文将大脑“功能分离”的模块化特点引入到单一神经网络中构建模块化神经网络,提高人工神经网络处理复杂信息的能力。围绕模块划分方法、子网结构选择、特征组合输出三个方面设计基于模块化神经网络的特征组合推荐模型并应用于银行信贷评分系统中。(1)提出K均值优化的密度聚类K-DB算法作为模块化神经网络的模块划分方法。针对K均值聚类算法识别非凸数据集能力不强和DBSCAN聚类算法寻找密度半径和阈值效率低的问题,K-DB算法融合两种策略得到更优的模块划分效果,以提高模块分区的准确度。(2)根据大数据时代面向海量数据进行特征提取的需要,研究SOM神经网络竞争学习的机制,针对神经网络神经元权值调整易陷入局部最优解的情况,使用模拟退火算法优化构建SA-SOM神经网络作为模型的子网,以提高单一SOM神经网络的性能,通过实验验证竞争学习在提取特征排序方面的有效性。(3)设计面向K-DB算法进行模块划分,SA-SOM网络作为子网进行特征提取,加入基于隶属度的模糊推理方法进行特征组合输出的模块化神经网络MNN模型。模型采用K-DB算法对输入样本空间的横向聚类得到聚类簇中的核心点,通过SA-SOM子络对核心点的纵向特征提取,得到核心点属性的重要性排序。(4)设计基于MNN模型的银行信贷评估系统,实现对银行信贷客户的快速信用评分,提升银行对客户信贷能力评估的准确性并提高银行信贷业务人员的工作效率。系统根据MNN模型的提取结果结合银行公开的用户行为信息评分标准来对银行信贷用户进行综合量化评分。通过计算模型的PSI指数、KS值和AR值验证模型具有较高的稳定性和区分好坏账户的能力。通过与传统信用评分方法准确度的对比证明,实验结果表明基于MNN模型的信用评分方法具有较好的性能。