信用风险是商业银行面临的最重要风险之一。近年来，神经网络因良好的非线性映射能力使其对在解决商业银行信用风险评估问题上具有独到的应用优势。其中BP神经网络已有了较为广泛的应用基础，较好实现了信用评估指标和信用评分分级之间的非线性映射，为商业银行信用风险预警提供了良好的解决思路。但BP神经网络一种前向网络，没有反馈，这必将降低其收敛速度和预测精度。同时，神经系统的良好非线性函数逼近能力需要大量的样本数据来保证，针对有限信息数据的预测问题，传统神经网络的预测效果往往不尽人意。本文分别分析了具有全局寻优功能的RBF神经网络和针对“小样本”、“贫信息”、不确定系统的灰色系统理论，建立了基于灰色_RBF神经网络的商业银行信用风险预警系统，以改进传统的BP神经网络学习策略，有效针对有限样本数据的预测问题，优化风险预警系统。本文主要研究内容及研究路线如下:　　1、对商业银行信用风险预警研究的发展现状及现有研究进行学习，对信用风险预警系统体系构建的原则和方法进行总结。选择15个关于信用风险最有决定性影响的预警指标，进而建立商业银行信用风险预警指标体系。并且运用主元分析方法对所选择的预警指标体系进行优化。　　2、在研究BP神经网络、RBF神经网络、灰色系统理论的基础上，运用各个预测模型进行商业银行风险预测的仿真研究，探索现有预测方法在信用风险评估研究的局限性及可改进的地方，明确灰色_RBF预警模型建立的必要性及理论基础。　　3、建立基于灰色_RBF神经网络的商业银行风险预警系统，并运用新预测模型进行商业银行风险预测的仿真实例研究，并将仿真结果与传统神经网络模型对比分析，验证了本文所提出模型具有更好的预警精准度，从而证明了本文所提出灰色_RBF算法在商业银行信用风险预警领域的可行性和有效性。　　最后，总结本文所做的工作并对商业银行风险预警系统研究的发展前景进行了讨论。