信用评级是针对一个经济体，主要是债券或债券发行方的信用品质加以分析评估，并得出一个能够反映该信用品质的等级划分；此外，当该信用品质发生变化时，能及时将评价等级进行适当修正以符合实际情况。换言之，就是利用某种计算方法，将所有可能影响信用品质的大量复杂因素，包括各种定性的和定量的信息，压缩成一个简单明了的符号。历史上关于信用评级的研究方法始于20世纪60年代，从1966年Berver的单个财务指标判别分析，到1968年Altman的Z值多元判别分析，再到1977年Altman的Zeta模型，还有1980年Olsen的Logit模型，以及1984年与Zmijewski的Probit模型。以上所有的这些传统信用评级研究都是基于概率统计的逻辑推理思想，因而需要假设待考察的所有变量服从一定的分布函数，而这与现实并不吻合，并且纯粹的统计分析只是人类对事情判断的一种方式，事实上绝大多数信息的理解更多的是依靠长期积累的智能直觉判断，从而自20世纪90年代至今，逐渐发展出现代信用评级方法，比如具有自学习能力的人工神经网络评级模型和能够处理模糊信息的模糊集理论评级模型。　　 本文就是通过引入模糊集理论中的Vague集专家群决策评价分析系统，针对我国缺乏足够的信用数据这一客观现实，提出了一种比较新的信用评级技术处理模式。事实上，对于归属不同产业类别的企业或其发行的债券，信用评级所选的考核指标及相关权重会有所不同，本文的思路是请行业专家们来判断不同指标的选取，采用Vague集群决策方法，可以一并解决权重问题，另外参考国资委2009年分行业企业绩效评价标准值的最新数据作为标杆，将待评对象进行指标值归类，利用综合属性测度评价系统得出信用等级，较好地解决了问题。　　 本文的文章结构如下：　　 第一章为绪论，这一部分明确了本文的总体设想，介绍了本文的研究背景与选题意义，总结了国内外对信用风险度量模型的研究现状，提出了本文的研究方法与基本框架，并阐明了本文的创新之处。　　 第二章介绍了信用风险的理论知识，并分析了国际上主流的现代信用风险度量模型在我国运用的可行性，指出了这些模型在我国全面实行还需条件。　　 第三章从函数的角度宏观阐述了复杂系统评价方法的一般原理与执行步骤，为下文基于模糊数学中的Vague集原理进行系统评价作了方法论的铺垫。　　 第四章探讨了模糊数学中的Vague集的基本理论和在信用评级方面中的具体实施方法，并介绍了属性测度评价分析系统。　　 第五章从实证的角度出发，阐明了如何通过Vague集理论一步步进行指标筛选，权重确定，以及得出最终综合属性评价结果的。　　 结语部分总结了全文，提出了今后有待进一步探讨研究的方向。