信用风险是我国银行所面临的最大风险的最主要方面。在我国银行的信贷结构中,企业型客户的信贷总额占据了很大的比例,平均额度也相对较大,风险较为集中。因此,对于银行企业型客户的信贷风险进行评估预测对于调整商业银行贷款结构、降低不良资产比例、控制总体风险具有重要的意义。近年来,机器学习技术被广泛用于经济金融领域。许多研究者开始采用各种机器学习模型,利用银行系统内外的各种多源异构数据进行信贷风险分析预测并取得了极好的效果。然而在实际使用过程中,本文发现机器学习技术的在信贷风险分析领域也受到一些限制。以人工神经网络模型为例,一方面其面临着数据源单一、静态的问题,用来建模评估的数据往往只有静态的财务指标数据。另一方面,人工神经网络模型对数据量的要求往往较大,在建模过程中如果出现目标数据集中数据较少的情况,则其很难从这些少量数据中学习到足够的分类特征。针对这两方面限制,本文分别提出两种策略对人工神经网络模型进行优化。其一是使用网络数据挖掘技术,通过引入网络实时新闻文本数据作为财务指标数据的动态补充,解决数据源单一、静态的问题。其二是使用预训练-微调策略,通过在与目标数据集相似的预训练数据集上进行模型预训练,预先学习到某些通用的分类特征,再通过在目标数据集上进行模型微调学习行业特有的分类特征,从而解决目标数据集中数据量少对模型的限制。最后,为验证本文提出的理论的可行性和有效性,本文选取数据进行实证分析。通过分别单独引入两种优化策略、同时引入两种优化策略、不引入优化策略四种方式建立了四个模型。通过对比四个模型的预测精度和预测稳定性得出结论:任意单独引入一种优化策略都能使模型预测精度有显著提升,而同时引入两种优化策略的模型具有最好的精度提升效果,同时对数据的预测稳定性最佳,更为重要的是,在对不良贷款的预测上也具有最好的表现。