本文介绍信用风险评估的意义及重要性，论述了利用支持向量机(SupperVector Machine，SVM)技术及相关机器学习技术进行客户信用评估的可行性。本文把客户信用评估问题归结为样本数目不平衡、样本误分损失不平衡的分类问题，进而利用支持向量机技术进行求解。 本文首先对机器学习理论和技术进行了研究，包括数据预处理、属性选择方法、聚类算法、增量式机器学习以及不平衡类问题，然后深入研究了支持向量机的理论和技术，包括统计学习理论、最优化理论、核理论以及在这些理论基础上推导的SVM分类器，包括最大间隔分类器、C-SVM和One-Class SVM。 根据支持向量机及机器学习相关理论，结合信用风险评估的实际需求，本文提出了三种适用的“基于支持向量机技术的信用风险评估模型”： 第一，提出了改进的基于不同惩罚值的C-SVM信用评估模型，提出了新的C取值方法，提高了负类预测准确率，降低了整体的误分损失； 第二，提出了改进的基于聚类分块的SVM信用评估模型，较好地解决样本数目不平衡问题，提高模型的预测准确率，对有局部聚集特性的数据集十分有效； 第三，提出了双层One-Class SVM信用评估模型，结合负类增量式One-ClassSVM模型和正类One-Class SVM异常检测模型，有效解决样本数目严重不平衡，甚至只有一类训练样本的分类问题。 最后，利用电力客户信用数据对本文提出的三个模型进行实验验证，其实验结果是令人满意的。在实验过程中，提取了著名的LibSVM开源软件包的核心算法，在此基础上开发了有实用价值的软件工具，使得模型可以实际应用。