个人信用评估对信贷机构降低经营风险,增加营业收益具有非常重要的作用。随着大数据技术的迅猛发展和普及,快速且精准的数据挖掘以及智能学习技术成为信用评估的主流手段。信用评估可以看作是一个二分类问题,即区分客户是违约客户还是未违约客户,但不同类型的客户被识别错误给信贷机构所造成的损失是不一样的,这一特点要求评估模型不仅具有较高的分类准确率,而且也要考虑不同类别间数据样本的误分类代价。本文在充分考虑信用评估业务实际需求的基础上,提出了一种基于代价敏感和集成学习的个人信用评估模型,在提高分类模型准确率的同时可以有效降低误分类损失。主要研究内容包括:首先,考虑代价敏感因素,构建了一种基于代价矩阵的误分类度量算法。不同类别客户的误判会给贷款机构造成不同程度的损失,如何在分类模型中反映出不同类别间的误分类代价,是要解决的重要问题之一。基于此,构建了以代价矩阵为基础的误分类度量方法:将未违约客户误判为违约客户的代价成本用贷款金额乘以贷款利息（即银行损失的机会成本）来表示,将违约客户误判为未违约客户的成本用贷款金额乘以违约损失率来表示,违约损失率数值可以通过最小化贷款数据集中期望收益和实际收益之间的差值来获得。将分类模型作为MetaCost代价敏感算法的底层分类器,对模型进行训练得到分类模型对数据样本的分类概率,将其乘以误分类代价矩阵得到样本归属于某类别的代价,根据代价最小原则,模型对数据样本的类别进行重标记,实现对不同数据样本的分类代价敏感。其次,提出一种基于代价敏感和集成学习的个人信用评估模型（CSL-Stacking）,并通过实验验证该模型的有效性。如何从众多机器学习模型中选择合适的算法,是信用评估领域中另一个重要研究方向。本文通过文献总结和实验分析,评价和比较了九种常用分类器在信贷数据集上的表现,从三个评估维度,六个具体数值型的指标来分析模型的分类性能,并借助层次分析法确定这六个数值型指标的权重,然后对指标值按照各权重进行加权求和,得到的结果作为模型分类性能的综合评价结果并结合各模型之间的差异性指标来进一步确定集成模型CSL-Stacking的基分类器,通过实验效果分析最终选择极端随机树、LightGBM、BP神经网络、梯度提升树和逻辑回归模型作为其基分类器。选定好CSL-Stacking模型的基分类器后,将信贷数据代入到CSL-Stacking模型中进行训练和测试。最后,选用Lending Club平台的数据作为实验数据集代入模型进行训练和测试,实验结果显示所构建模型在该数据集上的分类准确率达到96%,对违约客户的召回率提高到97.6%,误判总成本也降低到270。在与单一模型和其它主流的三种信用评估模型的对比实验中,本文所构建模型CSL-Stacking体现出了其分类效果的优越性。本文的主要贡献在于综合了代价敏感和集成学习的思想,对个人信用模型评估中的代价度量、分类准确度以及代价敏感等问题提出相应算法和解决方案,丰富了该领域的研究思路。同时提出的模型和算法在分类准确度、误判总成本等性能指标上有较大程度的提升。对于金融和信贷机构而言,微小的性能提升就能给其带来巨大的收益。因此,本文研究有助于提高银行、金融信贷等机构的信用风险管理水平,研究结果对相关机构业务决策具备一定的现实意义和应用推广价值。