随着中国经济金融改革,传统的借贷方法已无法满足大量中小微型企业及个人的借贷需求。网络借贷平台的出现,解决了中小微型企业及个人的快速融资需求。与国内传统的借贷项目相比,P2P网络贷款存在对借款方要求低,速度快等不可忽视的优点。但同时,网络贷款依托于互联网,存在数据量大、数据稀疏度高等问题,因此P2P网络贷款也存在较大的风险,传统的评级方法已经不能够得出准确的风险分析结果,本文提出基于深度学习的模型对P2P网络贷款数据进行处理并有效提高风险预测的准确度。使用传统的深度学习模型对P2P系统进行风险预测优势明显,但P2P系统数据的不平衡性、用户信息完整度差等问题会导致深度网络训练精确度低、鲁棒性差、以及容易陷入局部最优等问题的出现。本文提出了使用卷积堆叠降噪自编码器作为深度网络的P2P网贷系统风险预测方法,使用深度学习网络生成特征数据矩阵,再使用分类模型对数据进行分类,实验证明该方法可有效提高风险预测的准确率并解决数据稀疏的问题,本文主要工作如下:本文使用来自P2P平台的真实数据,但该数据存在样本不均衡的问题。针对该问题对数据进行预处理,使用SMOTE算法解决数据的类别不平衡问题。并针对用户数据稀疏的问题,将卷积技术加入堆叠降噪自编码器中,将卷积重建与堆叠降噪自编码器结合,有效解决数据稀疏导致的预测结果不准确问题。本文在深度网络的隐藏层中加入掩盖噪声(masking noise)并引入了损坏处理约束程度。设计并实现了一个基于深度学习的P2P网贷系统风险预测模型。将来自P2P网络贷款平台的数据分为训练集与测试集并使用改进后的堆叠降噪自编码器提取训练集数据特征,并运用DTBSVM分类器对用户进行分类,从而得出预测集中每个用户的信用评级,以此预测测试集中用户的借贷风险,验证模型的可靠性。