当今社会是一个信息爆炸的时代，如何充分利用各种各样的信息为人类服务已显得越来越重要。作为一门新兴的边缘学科——数据挖掘受到了国内外的普遍关注，成为信息系统和计算机科学领域研究最活跃的前沿。 信用风险是金融市场中最古老的也是最重要的金融风险形式之一。它是现代社会的经济实体(尤其是金融机构)、投资者和消费者所面临的重大问题。它直接影响着一个国家的宏观决策和经济发展，甚至影响全球经济的稳定发展。信用风险的管理在国外已经有了很长的发展历史，对信用风险的度量逐渐从对静态数据分析向量化分析转变，对信用风险的确定也开始采用信用模型的方法。在国内，信用风险管理尚处于起步阶段，缺乏对信用风险管理的系统化研究。根据WTO的有关协议，我国入世以后，将逐渐取消对外资银行外币业务、人民币业务、营业许可证等方面的限制。然而，我国绝大部分银行企业目前的不良贷款率大大高于10％的国际警戒线和我国15％的监管标准，因此加速我国的信用风险管理的研究工作，尽快构造适合我国国情的信用评估模型，为金融机构提供决策依据，使他们的管理和经营更合理，更科学，提高这些机构的国际竞争力，将具有重要的意义。本文在对数据挖掘技术、遗传神经网络、决策树和个人信用管理深入研究的基础上，从对信用风险管理的量化分析入手，针对我国信用风险管理的实际情况，提出了基于BP网络、决策树的横向比对方法的个人信用的评估模型，为金融机构、资信评估机构对个人的信用评估提供更加科学的、准确的决策信息。本文主要研究工作有： 1、完成基于数据挖掘技术的信用评估系统的研究与构建，并分别利用决策树和人工神经网络，提出两种建模方法并应用于个人信用评估。 2、与以往信用评估数据挖掘建模不同，提出横向比对的建模方法，即将两种数据挖掘算法同时应用于数据分类当中，将各自结果进行比对。 针对上述研究内容，进行了反复的研究与论证。结果表明，本文的理论，方法与技术正确有效，具有良好的实际应用前景。