中国经济近年来快速发展,在这种经济发展的推动下,人民消费观念迅速改变,消费信贷市场的用户规模和数据开始井喷式增长。在信用贷款中,银行等金融机构作为信用交易的垫付方纷纷把按揭、信用卡等交易作为其未来发展战略的重要组成部分。然而,当前个人信用评估体系在我国的发展尚不完善,银行和征信机构对个人信用数据的管理并不规范且评价方式不够合理,导致贷款违约时有发生。因此,如何有效的掌握个人信用情况、避免金融机构利益损失并节约成本、科学放贷是非常重要的。为了能够准确的评估个人信用,推测其信贷还款能力,对个人信用等级评估的问题研究成为学者们研究的一个热点问题。个人信用评估是根据信贷申请人以往的个人信息建立模型,并依据评估模型预测新的信贷申请人能否按时还款,从而决定是否为其发放贷款。目前,在学术界中基于机器学习方法的个人信用评估技术逐渐受到追捧,支持向量机(SVM)作为其中的佼佼者,提供了一种高效、快捷的智能判别方法。但是该评估模型的准确率和训练速度还有待提高。本文针对目前个人信用评估中的不足对传统的支持向量机模型进行了分析,研究和改进。首先,本文提出了一种优化的人工蜂群算法(ABC算法)。该算法采用反向学习思想对人工蜂群算法的初始值进行优化,不仅有效防止局部最优现象,而且提高算法的收敛速度。同时用差分进化算法的思想改进ABC算法的搜索方程,可以使整个种群快速地向当前种群的最优个体靠拢,增强算法的开发能力。其次,构建了组合核函数支持向量机模型,有效避免单一核函数模型各自的缺点,提高支持向量机分类模型的准确率,并利用改进人工蜂群算法对混合核函数支持向量机的参数进行寻优。最后,利用粗糙集理论对个人信用数据集进行属性约简,去除冗余的数据信息,然后将优化型混合核函数支持向量机模型用于个人信用评估中。并将评估结果与其他模型进行对比,综合考虑模型预测的准确率、召回率、精确度、AUC面积等各项指标,证实了本文提出的模型在个人信用评估中的正确性和有效性。