近年来我国的金融市场不断发展,上市公司的信用风险问题也逐渐凸显。很多上市公司出现了债务违约、贷款逾期等现象,随着上市公司数量及规模的不断增大,预测上市公司的信用风险成为了我国商业银行、投资者以及政府监管部门迫切关注的问题。目前已有多种信用风险预测模型,但具体哪种模型更有优势仍有待研究。本文对几种常见的上市公司的信用风险预测模型做比较研究,总结了传统信用风险预测模型和现代信用风险预测模型的主要内容。主要研究结果包括:首先,重点分析了Z计分模型、Logit模型、KMV模型和神经网络模型的内部机理、适应问题的特点并对各预测模型进行了比较。其次,通过结合实际数据对模型进行应用并比较模型的准确率以及便捷性,基于特定数据的应用结果表明:Z计分模型预测的准确率为62.8%;以流动比率、速动比率等指标作为衡量财务状况的变量,通过主成分分析得到5个主成分,对估计样本采用逻辑回归得到变量的系数,再对预测样本进行预测,结果表明Logit模型预测的准确率为62.3%;重新设定KMV模型的股权价值、违约点和资产价值增长率等参数后计算出样本公司的违约距离,并计算理论的违约概率,结果表明KMV模型预测的准确率因违约点的设定而有不同,当长期负债的系数设定为0.75时,KMV模型预测准确率最高,达到了66.7%;使用BP神经网络和RBF神经网络对样本公司进行训练后再预测,结果为RBF神经网络预测的准确率达到了70%,BP神经网络模型预测的准确率达到了72.9%。最后,基于特定数据的分析结果,本文得出BP神经网络预测模型是一个相对较好的预测模型。