商业银行是一种特殊的企业，它通过吸收存款、发放贷款和提供金融中介服务来获取利润。目前，商业银行是我国资源配置的主要渠道，在整个金融行业中占有非常重要的地位。因此，商业银行经营状况的好坏将对国民经济乃至全球经济的发展有巨大影响。然而，随着全球经济一体化、金融市场自由化、金融产品创新化以及现代信息技术快速发展，商业银行面临的竞争和挑战也日趋激烈。比如，2008年由美国次贷危机引致的世界金融海啸对全球实体经济的影响一直持续至今。信用评级是测量发行人（比如政府、公司或者金融机构）当前财务状况的一种基本方式，由专业的信用评级机构进行。商业银行信用评级是指评级机构通过收集一系列的财务指标和非财务指标，对银行的经营绩效、资本金状况、风险管理等进行客观、科学的评估，并使用有效、简单的评级符号代表，对社会大众公布。尽管国际上已经有专业的信用评级机构，比如穆迪、惠誉、标准普尔，但他们针对的主要是大型商业银行，中小型商业银行的信用评级还未纳入其中；其次，由于中国的评级行业起步较晚，目前还未出现较为知名评级机构。因而，建立一套针对中国银行业的信用评级体系迫在眉睫。随着大数据时代的到来，社会各个领域都发生了深刻变革，金融行业也不例外。大数据环境拓展了信用数据的来源和范围，同时也带来了前所未有的挑战。随着人工智能技术的不断发展，各种适用于大数据的机器学习算法，如支持向量机、聚类分析、神经网络、遗传算法等方法逐渐被应用于信用评级模型中。本文以商业银行信用评级为研究对象，通过全球银行与金融机构分析库（the BankScope Database）收集各商业银行的惠誉评级和财务属性指标，引入支持向量机算法、决策树算法、随机森林算法、神经网络算法、K-近邻分析算法和贝叶斯分类算法分别构建分类预测模型。　　本研究分为五个部分：第一章介绍本文的选题背景和意义，研究现状，研究方法、思路及章节安排。叙述我国银行信用评级的发展现状、趋势和意义，总结本文所需要的研究方法和内容框架。第二章商业银行信用评级基本理论和方法介绍。该章节包括银行信用评级的理论基础、主要的信用评级机构及其评级方法，通过对理论基础的概括和总结，为本文的研究打下基础；其次，该章节总结了银行信用评级的分类模型和数据降维的基本方法，并对银行财务属性指标进行简要概括和说明。第三章介绍了实证分析中样本集的数据来源、数据信息，以及数据预处理过程，并阐述了模型的参数设置。第四章实证分析。该章节是实证分析的具体操作过程，将六种分类模型分别应用于信用数据集，根据实证结果分析，选择预测效果最优的模型；同时比较降维前后，模型预测效果的变化是否发生变化。第五章结论与展望。该章节总结概括全文，分析不足以及未来发展。