近年来,信用问题已成为全社会共同关注的一个重要话题。个人信用是整个信用体系的基础和核心,对个人信用评价体系的研究和建设显得尤为重要。高校学生作为未来社会的栋梁,其信用观和信用状况直接影响未来社会的信用水平。而目前,高校学生的信用状况不容乐观,因此,通过建立高校学生个人信用评价体系来引导和督促学生重视个人信用记录、改善个人信用行为是非常必要的,并且有利于推动高校助学贷款、就业等各项工作的开展。本文在明确研究高校学生个人信用评价体系的背景、意义基础上,介绍了信用相关理论及部分传统信用评价方法,并根据我国高校的实际情况,通过参考其他学者的研究以及专家评价的方法,建立了高校学生个人信用评价二级指标体系。在指标体系建立以后,为了对学生个人信用进行客观、真实、科学地评价,本文对定性指标进行了量化处理,并对信用等级进行划分。为获取实验数据,本文设计了调查问卷,对山西省五所不同层次学校中的学生进行匿名调查,并对采集的数据进行抽样、分组,确定最终参与模型的样本数据以及训练集和测试集。本文采用基于神经网络的方法构建模型,但由于BP神经网络本身存在固有的缺陷,如收敛速度慢、易陷入局部极小、初始化参数无法确定等,所以本文用PSO算法对BP网络模型进行优化。PSO算法作为一个良好的优化工具,在训练的过程中不断修正BP神经网络的权值和阈值,使寻优过程不再依赖于梯度信息,克服了BP神经网络存在的固有缺陷。本文采用粒子群优化神经网络的方法来构建高校学生个人信用评价模型,并在Matlab环境下编写算法、模拟仿真。为了验证PSO-BP模型的有效性,本文分别使用PSO-BP模型和BP模型对样本数据进行训练,并对两种模型的训练结果进行比较分析。系统的运行结果表明,PSO-BP模型加快了BP模型的收敛速度,提高了BP模型的泛化能力,训练效果明显优于BP模型,充分证明了PSO-BP模型的优越性。最终,本文通过已经训练好的PSO-BP模型对部分数据进行实证分析。