长期以来，信用风险是金融行业，特别是银行业的最主要的风险形式。贷款是商业银行的主要资产业务，因此其经营风险与生俱来，商业银行要保持稳健经营，必须加强信贷的风险控制管理，建立健全包括银行贷款风险管理在内的金融系统。而在我国，消费信贷作为金融领域的新生事物迅速发展，消费贷款在银行贷款余额中的比例不断上升，信贷风险也越来越突出。而科学合理的信贷客户分类是有效信贷管理的重要前提。　　 支持向量机(Support Vector Machine，SVM)作为新型的更有效的分类方法，已经开始应用于金融领域。它是统计学习理论(SLT)的一种成功实现，建立在vC维理论和结构风险最小化原理基础上，根据有限样本信息在模型复杂性和学习能力之间寻求一种折中，以期达到最佳的推广性能，与传统学习方法相比，它具有更好的泛化性能，在解决小样本、非线性及高维问题中表现出许多特有的优势。本文旨在把新的数据挖掘技术——支持向量机应用到消费信贷客户的分类中去，为银行贷款的风险控制管理提供决策支持。　　 本文首先详细阐述了消费信贷客户分类、消费信贷风险管理和支持向量机的研究现状，然后研究了支持向量机相关原理，包括机器学习问题、统计学习理论、二值分类问题、最优分类超平面和线性支持向量机等问题，特别详细研究了核函数问题。　　 然后在深入研究支持向量机相关原理的基础上，本文重点研究了支持向量机在消费信贷客户分类中的实现问题。包括对原始消费信贷客户数据的预处理，WINSVM软件建立分类模型的全过程，制订详细训练集选取、属性集选取以及核函数选取的策略，以及交叉验证法在核函数选择问题上实际应用。　　 最后在总结大量实验数据的基础上本文确定了基于支持向量机的消费信贷客户分类模型的参数并总结全文，指出了有待于进一步解决的问题，对支持向量机理论的发展前景做了展望。