在金融市场化的大背景下,无论是新兴的互联网金融还是传统的线下金融机构都将信贷业务作为其经营的主要业务和利润来源。金融机构虽然可以从中获得相当可观的利润,但若无法对借款人的信用风险做出准确的预测,就会承担借款人违约所带来的各种风险。随着全球经济环境的不断变化和客户数据量的飞速增长,传统的信用风险预测模型已经不再适用于现在的客观现状,如何提高信用风险预测的精度、构建可靠的风险预测模型已成为工业界和学术界面临的重要问题。本文针对信用风险预测问题进行研究,提出了基于改进DenseNet-BC的信用风险预测模型。其主要工作内容如下:(1)现代经济数据集通常具有高维和不平衡的问题,导致信用风险预测模型的训练精度降低、鲁棒性差。针对上述问题,提出了一种融合Focal Loss的DenseNet-BC信用风险预测模型,该模型以DenseNet-BC为基础模型架构,在分类层引入Focal Loss损失函数,利用DenseNet-BC的密集连接特性,既有利于加深网络层数来增强对借款人特征信息的有效提取,又可以将浅层网络与深层网络的重要特征信息进行有效结合。同时,Focal Loss函数通过权重对样本间的类别不平衡和难易样本间的数量不平衡进行调节,减少了多比例类别样本和易分类样本对模型预测造成的误差,提高了模型的泛化性。(2)针对融合Focal Loss的DenseNet-BC算法模型中,因离散型特征经哑变量化后形成的高维稀疏矩阵以及深度神经网络模型训练过程中学习率对训练结果的影响,进一步提出融合自编码器与静态重启SGD的DenseNet-BC信用风险预测模型。对哑变量处理后的高维离散型特征向量,通过自编码器进行特征提取,然后将提取后的离散型特征向量与预处理后的连续型特征向量合并一起作为改进的DenseNet-BC算法模型的输入,同时在模型训练过程中使用静态重启SGD。该算法可以有效保证在减少计算量和内存损耗的情况下获得更好的特征表示,同时静态重启SGD可以使模型在训练过程中对学习速率进行自适应更新,使学习率不易受初始学习率大小的影响,避免模型在训练过程中因学习率过小而陷入局部最优,或因学习率过大而错过全局最优,从而提高算法模型预测的准确率。本文算法基于Lending Club公开的信用风险预测数据集,与多种传统算法及DenseNet-BC进行对比实验,实验结果表明本文算法具有一定的优势。