关于中小企业的信用评级手段受到越来越多评级机构的关注,评级方法也步入了新的发展阶段——基于智能算法的评级模型,但评级模型的预测准确率极易受到数据、模型参数等的影响,不利于企业信用风险评估的过程和结果。因此,对数据和模型进行准确的分析和训练,对提高信用评级模型的性能,降低评级机构对企业的授信风险来说是具有重要意义的。为了提高针对中小企业的信用评级模型的精准性和适用性,论文使用SVM（Support Vector Machine,支持向量机）算法作为本文评级模型的基学习器,并且提出一种基于IGWO（Improved Grey Wolf Optimization,改进灰狼算法）的过采样方法并将其应用到中小企业信用评估SVM模型中去,论文主要工作如下:（1）提出IGWOSMOTE算法。针对不平衡数据的冗余特征对少数类合成过程的影响以及按固定采样倍率生成少数类样本的缺陷,提出了结合改进灰狼算法对SMOTE（Synthetic Minority Oversampling Technique,少数类样本合成技术）进行优化的方法,即IGWOSMOTE算法,详细介绍了该算法的思想和流程,最后通过实验得出该算法较传统SMOTE算法在少数类分类精度上提高了6.3个百分点。（2）提出基于IGWOSMOTE算法的SVM评级模型。首先将IGWOSMOTE算法应用于不平衡企业数据集中,建立了适用于中小企业的评级指标体系以及SVM分类模型,最终将IGWOSMOTE算法应用在SVM模型优化上,提出基于IGWOSMOTE的中小企业信用评级方法,并基于真实的企业历史数据进行模型的训练和预测,与其他模型做对比实验得出该模型具有良好的使用价值。（3）完成简易中小企业信用评级系统的设计与实现。论文简化了我国商业银行内部评级系统的全授信业务流程并分析其需求,将基于IGWOSMOTE算法的SVM评级模型应用到系统中,经过系统架构设计、功能模块分析以及数据库设计,使用计算机技术研发了简易中小企业信用评级系统为评级机构提供参考。