随着近几年金融风险的爆发以及国内企业的迅速发展,造成了整个社会对商业银行信贷资源的极度依赖。而商业银行是经营风险的特殊企业,其中信用风险对银行的影响最大(这里主要是指对企业客户信用评价的缺失)。一方面由于受到新巴塞尔协议的制约,高风险的企业信贷消耗了商业银行更多的资本,降低了盈利能力;另一方面我国普遍存在企业缺少规范的财务制度,银企之间的信息不对等,不透明等,影响了商业银行对企业的信用判断。因此,如何评价企业客户的信用情况已经成商业银行发展和风险管理中最重要的一环。目前,在国外已经将利用信用等级作为评估和防范信用风险的主要手段并取得了长足的发展,如:基于传统统计的ZETA模型;或者是现代信用模型的KMV模型;又或者是基于人工智能的决策树模型,K-近邻分类法等。相比我国在该方面的研究仍处于相对落后的阶段,普遍采用主观分析法或者是专家评价法。但主观分析法或者是专家评价法存在过于依赖专家经验,在我国普遍存在银企信息不对等,不透明的情况下,长期使用该方法会有一定的局限性;而基于传统统计的模型,对于我国企业尤其是中小企业财务信息失真或不全面的情况下,模型使用的真实性也会受到很大的限制;而对于现代信用风险评估模型和人工智能模型,又由于受到我国企业规模、历史数据积累、信用体系建设等方面的影响暂不适应我国企业的信用等级评定。在本文中,首先通过建立一个较为详细的企业信用评价体系,运用层次分析法对相关指标进行筛选处理,以提取的主成分指标代替原指标,通过层次分析法将财务与非财务信息引入指标体系,优化指标结构,为后续模型的输入提供数据支持;在此基础上进一步利用BP神经网络,通过配置,训练、测试来完成模型的自学习。根据不同信用等级(AA级以上,A,BBB)选取某商业银行总行级信贷客户的相关财务与非财务数据来进行模型训练,利用MATLAB软件进行仿真,来保证训练后数据的合理与可靠性。最后,使用其他未参与训练的测试数据进行验证。结果证明利用该模型的信用等级评估有较低的误判率,说明了模型的可行性。