信贷风险研究兴起的时间并不长，可以说是一个新的研究领域。在国际学术界尚属发展深化阶段，许多度量方法尚在探讨之中。我国在这一领域的研究起步较晚，但人们对它的重视程度并不亚于外国同行。正是由于信贷风险的管理直接关系到经济的繁荣与稳定，对其进行研究具有重要的理论意义和实用价值。为此，本文从商业银行角度，研究借款人(企业)信用度量的方法与应用问题。通过对国内外商业银行信用风险管理方法进行总结，分为单个信用个体的信用度量和资产组合信用度量，从数据挖掘的角度将信用风险度量模型划分为统计判别模型、金融理论模型和信息技术模型，并对其中主流的风险度量模型和方法作了分析和比较。由于我国进行信贷风险度量起步较晚，信息往往残缺不全，如用传统的风险度量方法很难达到满意的效果，且耗时过长。而神经网络带有高度并行处理信息的机制而且具有高速的自学习、自适应能力，内部所包含的大量可调参数使得系统的灵活性更强，用于评价信息残缺的系统更具有优势。模糊系统的结合则增强了网络的解释能力。追随目前本领域发展的趋势，本文建立了新的信贷风险度量模型——模糊神经网络模型，运用这一模型度量商业银行信贷风险，可克服很多不确定因素的干扰，更加直接、客观地度量信息残缺的银行信贷风险系统，以得出合理的评价结果，为银行进行信贷决策提供科学可靠的依据。