客户信贷违约风险预测是金融借贷机构进行信贷风险控制的一种重要手段,有助于金融机构规避信用不良或存在欺诈风险的客户。但是,随着信贷业务规模的不断扩张,传统人力审核信贷的方式暴露出诸多缺点:如人力审核的速度慢、容易出现偏差等。通过构建机器学习信贷违约预测模型,可以快速审核申请贷款的用户,极大地节省了人力资源,成为行业内解决信贷违约预测的一种重要手段。但目前有关信贷违约风险预测模型的研究依然存在三点不足:（1）机器学习模型在学习训练前,需要制备平衡的数据集。平衡数据集的方法多采用合成少数类过采样技术,并没有学习到数据集本身的统计特征;（2）包括逻辑回归在内的机器学习线性模型虽然对数据特征有较好的解释性,却也容易让不法分子伪装出与优质客户一样的信贷特征,从而欺骗机器学习模型;（3）由于特征工程等导致的信息损失,以及线性模型不易捕捉数据集本身具有的非线性的特征,导致模型的准确率还可以进一步进行提升。为了解决以上不足,构建高准确率且安全的预测模型,本文通过深度学习技术建立信贷违约预测模型,使模型更加安全可控,且提升了模型预测的准确率,此外,以深度学习信贷违约预测模型为核心,开发了信贷违约预测系统。本文主要工作体现在以下三点:（1）采用对抗性生成网络（GAN）解决数据平衡问题。本文基于P2P平台Lending-Club提供的真实信贷数据集进行研究,首先,对该数据集进行了数据分析,经过数据清洗、特征编码,得到正负类样本比例为9:1的不平衡数据集;然后,通过对抗性生成网络（GAN）模拟生成少数类样本数据,解决数据不平衡的问题,对比合成少数类过采样技术（SMOTE）等传统平衡数据集的方法,采用GAN的模型准确率得到提升。（2）构建了结合残差神经网络（Res Net）和对抗性生成网络（GAN）的深度学习模型,提高模型的准确率。同时,构建了多种对比模型,包括:逻辑回归、随机森林、梯度提升树、人工神经网络。构建的深度学习预测模型,利用Res Net在经过GAN处理得到的平衡数据集上进行训练,对数据集本身的非线性特征进行挖掘,相较于对比模型的准确率平均提升约5%。（3）以深度学习预测模型为核心,设计和实现了信贷用户信用评分原型系统。该系统能够通过用户填写的信息计算出该用户的信用分数,分析用户的信贷特征对该用户信用分的影响程度,实现了一种深度学习模型与信贷违约预测相结合的实际行业应用方案。