随着金融市场的日益全球化,以信用卡为核心的零售业务正以迅猛的态势发展。但国内的零售信贷业务起步较晚,在其迅猛发展的今天也暴露出不少的问题,其中最核心的问题就是信用风险。现阶段商业银行在管理信用风险业务时主要使用的是以数据挖掘为基础的评分卡模型。　　本文研究的正是基于申请评分卡模型对商业银行信用卡用户的风险评估,研究过程中加入数据挖掘技术进行数据清洗,抽样得到可供建模的数据集,建立Logistic模型和Divergence评分卡模型。对评分卡模型进行拒绝推断分析,并将评分标准化得到最终的评分卡。　　本文的创新之处在于:　　1.利用Model Bulider软件计量WOE值和IV值,利用WOE的分布对变量进行分组,增加模型预测的准确性;　　2.根据模型的Divergence值来选取变量,获取更具区分能力的评分卡模型;　　3.利用拒绝推断模型增加模型预测的精确性。　　从模型结果看出,Divergence模型比Logistic回归模型更优;实际违约概率存在明显的风险区分能力;拒绝推断模型可以加强模型的预测能力。