信用风险评估是商业银行信贷风险管理中一项基础性且关键性的工作，其目的在于分析商业银行在贷款业务中可能面临的信用风险，从而为贷款决策提供依据。20世纪80年代以来，随着金融自由化、全球化进程的不断深入，金融市场波动性明显加剧，各国银行和投资者面临着越来越严峻的金融风险。世界银行对全球银行业危机的研究表明，导致银行破产的主要原因是信用风险。从国内看，我国加入世界贸易组织之后的近十年时间里，外资银行大举进入中国，国内商业银行面临的外在竞争越来越激烈，与此同时，新巴塞尔资本协议的实施也给国内商业银行带来了斯的挑战。随着市场竞争的日益激烈，商业银行对信用风险量化和风险评估模型化的要求也日益突出。在这种情况下，研究和构建更加科学、有效的信用风险评估方法意义十分重大。　　 目前，国内外学者在信用风险评估方面进行了广泛而深入的研究，设计了许多适应特定金融环境的信用风险评估模型。本文首先对商业银行信用风险的概念、成因、特征进行了论述，并介绍了传统和现代信用风险度量方法与模型，在此基础上，将人工智能领域的支持向量机技术应用于我国商业银行信用风险评估问题。本文主要的工作有以下三方面：　　 (1)针对传统的信用风险评估二分类问题，在研究支持向量机参数优化选择问题的基础上，构建基于改进粒子群算法的最小二乘支持向量机模型，着重研究如何提高我国商业银行信用风险评估问题中的评估精度，通过与其他四种模型相比较，证实了本文构造模型的有效性以及具有较高的分类精度。　　 (2)针对信用风险评估过程中普遍存在的样本数据非平衡性以及错分代价的差异性问题，引入代价敏感学习方法，利用改进粒子群算法对代价敏感支持向量机最优参数进行选择，构建基于改进粒子群算法的代价敏感支持向量机模型。实证表明该模型在分类准确率、命中率、覆盖率、提升率等方面都有较大的改善，并且能在保持分类精度的情况下，降低信用风险评估过程中的错分类代价。　　 (3)针对贷款风险五级分类问题，在传统最小二乘支持向量机的基础上，利用一对一多分类技术，将传统的二分类模型拓展到适合我国商业银行贷款风险五级分类评估的多分类模型，利用改进粒子群算法对多类分类最小二乘支持向量机算法进行参数优化，从而构造基于改进粒子群算法的多类分类最小二乘支持向量机构造模型，最后利用某省农信社的个人客户贷款数据进行实证分析，表明本文构造的贷款五级分类模型具有一定的实用性和有效性。