高效且科学的信用风险评估体制是解决银行与用户之间信息不对称所带来的信用违约风险的有效途径。针对当前银行用户数据存在类别不平衡且原始数据集特征属性有限的问题,一般的信用风险评估模型是在原始数据集上进行信用风险评估,但是这样不能有效利用数据中的深层信息,并且在模型其泛化能力和预测结果的可靠性往往不能满足商业银行的需求。为此,本文基于数据挖掘理论提出了一套有效的银行用户信贷风险评估系统。该系统使用特征构造的方式对原始数据集进行扩充数据特征维度,充分挖掘深层数据资源,应用综合采样的方式对数据集进行平衡处理,提升了系统的泛化能力和预测结果可靠性。首先,在对原始数据集进行缺失值处理、异常值处理和数据转换常规预处理的基础上,针对数据集中存在类别不平衡情况,将SMOTE（Synthetic Minority Oversampling Technique）与TOMEK进行融合,使得样本数据均衡化,避免了欠采样算法去除掉富有信息量样本的可能性并且有效地避免了SMOTE算法采样过程中合成样本出现重叠易造成临界点样本产生误判的问题,从而提高了模型对于样本总量较少的类别的识别能力,增加了模型鲁棒性。其次,针对原始数据集中特征属性有限的问题,本文采用金融风控领域的专家知识与特征分箱、特征交叉等数据挖掘技术相结合的方式衍生特征并通过IV值（Information Value）进行特征筛选,并保留利于模型分类的25个特征字段。最后,以经过平衡处理、特征工程的数据集和常规预处理的数据集作为模型的输入,在Lending Club公开的用户信贷数据集上对比分析了单一模型和集成模型分类算法:逻辑回归、朴素贝叶斯、决策树、随机森林、XGBoost以及Stacking算法,实验结果表明,通过平衡数据集构建的六种模型在AUC值上均有所提升,其中ST-Stacking模型性能最优,AUC值达到了91.77%,精准率达到了88.63%。