P2P网络借贷是以互联网为运营媒介的新兴借贷模式,为社会中的资金需求群体提供了一种新的筹资路径,弥补了传统金融机构的不足,缓解了小微企业和个人融资难的问题。但P2P网络借贷行业一直没有形成完善的个人征信体系,相关监管法律法规不健全,在满足广大投资者和筹资者需求同时,P2P网络借贷的信用风险问题慢慢显露。目前,我国P2P网络借贷行业累计平台数达到6621家,平台数量不断增加的背后,各种风险问题如大量借款人发生违约,平台出现跑路、倒闭等现象频繁发生,P2P网络借贷的风险控制及管理问题亟待解决。借款人信用风险是P2P网络借贷平台需重点关注的风险。因此,本文以借款人信用风险为切入点,融入相关“软信息”构建评估指标体系,并基于网络借贷非平衡交易数据,提出改进后的信用风险评估模型——ADASYN-RF(自适应综合过采样-随机森林)模型,为网络借贷中借款人信用风险评估问题贡献微薄之力。第一步,在阅读了大量相关文献的基础上,对国内外针对网络借贷的文献进行梳理,了解P2P网络借贷信用风险方面的研究现状。第二步,介绍P2P网络借贷相关概念、运作模式以及发展现状,并就P2P网络借贷信用风险的形成机制与影响因素进行分析。第三步,构建包含硬信息和软信息的评估指标体系,并介绍随机森林算法、ADASYN-RF模型的构建、模型性能评价标准。第四步,实证分析。通过对“人人贷”平台2010年10月至2015年10月的交易数据进行清洗、处理以及描述性统计分析,构建信用风险评估模型,验证模型的性能。使用当前比较流行的机器学习方法——BP神经网络进行对比,进一步验证模型的优越性。并根据指标变量在信用风险评估模型中的重要性评分对其进行分析。实证结果表明:ADASYN-RF模型除了违约样本(少数类)的准确率和未违约样本(多数类)的召回率有些许降低外,其它评估指标均优于传统随机森林模型;其中,违约样本的预测召回率上升了23.3个百分点,F1-score上升了8.8%;模型AUC的值提高10.7%。因此,总体上改进后的模型(ADASYN-RF)具有较优的分类性能。与BP神经网络对比发现,无论从模型准确率、各类F1-score、AUC的值还是模型ROC曲线来看,ADASYN-RF模型均较优。因此,ADASYN-RF模型的分类性能较好,更适合用于P2P网络借贷信用风险评估。在分析指标变量的重要程度时发现,借款信息中各变量的重要程度排名均在前十,属于重要变量。且“软信息”对评估模型的作用不容小觑,其包含的变量重要程度几乎处于前十。最后,根据实证结果,从监管、征信体系、信息审批制度以及提高投资人风险意识四个方面提出防范对策与建议,希望有助于P2P网贷平台的健康持续发展。