随着我国信用经济的蓬勃发展,个人信用消费贷款业务繁荣增长,其在金融主体中的业务比重大幅提高。个人信贷业务中存在的信用风险可能会使该笔业务面临违约,从而造成损失。因此对于金融机构而言,预测贷款申请者的信用风险是风险管理中的关键任务。信用风险评估模型对银行等金融机构降低风险、增加收益至关重要,是金融行业重点关注的技术之一。随着大数据时代的来临,利用快速且精准的数据挖掘技术成为信用风险模型的主流手段。传统的信用风险模型是对申请者采取接受或拒绝的二分类决策,但在处理阈值附近的样本时,二分类方法容易将其错误分类。同时二分类决策也未考虑样本的误分代价以及数据更新等问题。因此其应对大数据时存在一定的局限性。因此,如何科学合理的定量化评估借款人的信用风险,并建立一套行之有效的借款人信用风险评估模型,对促进我国个人信用贷款业务健康发展具有重要的研究意义和应用价值。首先本文对个人信用消费贷款业务概念、特点及发展现状进行具体阐述;然后对该业务中的借款人信用风险理论进行概括,从而为个人信用风险模型的构建夯实现实意义及理论基础。在构建指标体系时,本文通过参照国内代表性金融机构的借款人信用风险评估指标体系,并梳理相关研究文献,并充分考虑了我国信贷业务借款人的信用风险特征,从借款人基础信息、资产信息、借款人相关认证信息及贷款信息四个方面构建了适用于我国信贷业务的借款人信用风险评估指标体系。其次,在对信用数据集的处理、个人信用风险评估模型的搭建和模型性能评价指标的选取上,本文首先按照所构建的个人信用风险评估指标体系,对信用数据样本中的部分变量进行赋值;然后利用更符合人类思维方式的三支决策算法,改善二分类决策易错误分类阈值附近样本的问题;阈值附近样本由于判断信息不足将被分至三支决策中的边界域,本文通过增量学习的方式将新数据流引入边界域,借助数据的扩充与更新,进一步提高边界域的分类准确性;针对二分类决策未考虑代价的问题,本文从样例依赖（matching-tosample）的误分类代价和评估成本两个角度构建三支决策代价矩阵,同时去除矩阵中的沉淀成本,以达到简化计算和理性决策的目的;本文使用加权集成方法综合多个XGBoost分类器结果,加强序贯模型的稳定性。从而完成了基于代价敏感和增量学习的信用风险评估模型的构建。本文选择的算法性能评价指标为正确率、G-Mean、F-Measure、AUC等,且选取的可体现代价敏感性能的指标为Error II、Cost。最后,本文基于国内某非银行类金融机构上的借款人信用数据样本进行实证研究。通过仿真训练本文算法与其他几种常用分类器,结果表明本文算法模型无论在不平衡数据集上的表现还是代价敏感性能均显著优于对比模型。本文信用风险模型能够更精确的预测借款人的违约风险,且有效降低授信决策的代价损失。并对于如何有效促进我国个人信用消费贷款持续健康发展问题,本文有针对性的提出了一些具体建议。