近年来，个人消费信贷的普及带来了商业银行利润的增长，但信用风险评估方法的落后制约了银行业务的发展。由于客户信息的多元化，传统定性分析和计量分析评估结果的准确性低、稳定性差，并且运行成本高、时间长，不利于商业银行对贷款申请人风险的把控。因此，进一步完善个人信用风险评估模型，是我国商业银行发展信贷业务、控制信用风险的必要举措。　　信用风险评估一般包括特征变量选择和分类两个阶段，首先通过筛选初始属性集，降低搜索空间维度；继而训练输入目标变量，将学习规律用于分类评估。本文基于对常见算法模型的理论研究，结合我国商业银行个人信用风险评估现状，改进了基于RBF神经网络的两阶段模型，综合运用统计方法和数据挖掘技术，通过增益率、相关系数和公因子从区分度、冗余度和贡献度三个方面对初始属性进行筛选，再将约简后结果输入RBF神经网络，对客户信用等级进行分类，从而提高评估的准确度和运行效率。本文具体的研究内容包括：　　（1）文献查阅：研究国内外文献，进而分析了目前商业银行个人信用风险评估方面存在的问题，并针对性的从模型完善上提出解决方案。　　（2）理论研究：研究了信用风险评估理论，并从特征变量选择以及分类两个阶段分析了常见算法的原理和适用性，增加了文章的说服力。　　（3）技术运用：研究了决策树、相关分析、因子分析以及神经网络算法的运行机制，改进了基于RBF神经网络的信用风险评估模型。　　（4）实证分析：运行环境采用SPSS以及SPSS Modeler软件，样本选自北京某银行真实个人信贷客户数据集，通过成对T检验对比本文所改进模型和单一神经网络模型、基于逻辑回归的评估模型，通过分析结果与原始数据的拟合程度以及运行时间，证实本文所选取的算法在特征变量选择和分类评估两阶段均具有优势。　　本文的研究对于促进我国商业银行个人信用风险评估技术的发展，推动银行在贷款审核阶段的风险管理措施进一步完善，提高银行的资产质量和评估效率，在保证客户满意度的同时扩张个人信贷业务，以及带动整体金融市场的良性运作具有很强的现实意义。