信用问题是关系到我国市场经济健康、有序发展的重大问题之一,也是影响我国消费信贷发展的主要瓶颈。在大力发展消费信贷以求增加利润时,如何规避个人信用风险已成为商业银行关注的焦点。根据我国目前消费信贷的实际情况,建立科学、实用的个人信用评估系统十分必要。本文运用理论与实践相结合的研究方法,广泛收集国内外有关个人信用评估的资料。在此基础上,针对我国现阶段消费信贷历史数据样本不足的情况,同时考虑个人信用的特点以及我国个人信用评估中存在的问题,在分析和讨论回归法、近邻法、神经网络法等常用信用评估方法的情况下,运用基于统计学习理论的支持向量机方法和遗传算法建立了基于同步优化思想的个人信用评估模型。并结合实际数据进行个人信用评估的实证分析,实现了对消费者信用风险的分类。论文的主要内容包括:首先,从总体上介绍了本文研究背景、研究的目的和意义,总结了国内外研究现状。其次,在概述个人信用、信用评估的概念和方法的基础上,总结了建立个人信用评估系统的原理、过程以及个人信用评估系统的评价指标,并对与本文相关的个人信用评估方法进行了讨论和比较。再次,在分析统计学习理论、支持向量机和遗传算法的基础上,利用同步优化的思想探索个人信用评估模型中指标变量和模型参数的依赖性以及评估指标和模型参数值的选择问题,设计了遗传算法,构建了个人信用评估的同步优化模型。然后,通过实证研究来观察和分析支持向量机方法在我国的适用性,不同类型的支持向量机、不同核函数和不同参数的情况下实验结果的变化,以及优化算法在寻找最优解过程中的作用。最后,总结主要的研究工作和结论,并提出了未来的一些研究方向。通过实证研究发现, C-svm和nu-svm两种支持向量机类型对于整个模型运行结果的影响并无明显差别。不同的核函数对运行结果影响较大,径向基核函数效果较好,多项式等其它核函数效果较差。支持向量机参数的变化给信用评估模型带来的影响也较大。同时,运用同步优化的思想和遗传算法对模型进行整体优化,显示了较好的优化效果。本文的方法与logistic回归方法及K-近邻法进行了比较,以同样的数据样本为基础,支持向量机方法的分类正确率比上述两种方法高。可见同步优化方法的预测能力较强。