21世纪初,随着全球商业银行业竞争的日益加剧,各行业发展的经营周期逐渐缩短,导致信贷资源成为稀缺资源,国外主流商业银行纷纷进行业务结构调整,资产信贷业务成为利润新的增长点,目前我国各家商业银行均将信贷资产业务作为自己的业务发展重点区域。为抢占市场份额,各家银行已着手开发符合自身发展资产业务的信贷审查审批管理系统,加速了银行信贷管理系统信息化建设的步伐。随着我国主流商业银行电子信息化建设的进一步发展和完善,以风险信贷评估为中心的综合信息管理平台建设基本完成了构建,商业银行业储存了大量的业务数据,这些业务数据中不仅仅包含着各类客户留下的交易金额、交易时间、交易对象等等,同时还潜藏着具备信用风险价值的、可挖掘的信息。但是,银行信贷从业人员部分重要决策并不是来自于这些存量业务或客户信息数据,而是基于银行信贷管理部门审批人员的从业直觉或是营销指标利益导向,银行信息数据库中的海量信息成为了“数据坟墓”,如何有效利用这些数据成了当务之急。本文通过采用BP神经网络算法,基于作者对现有银行贷款审批流程的理解,建立一个基于BP神经网络的风险等级评定模型,然后对上市公司上年财务指标进行风险分析,并集合本年的市场表现进行信用等级评定,建立一个能给与模型非线性学习的过程,最后通过另一组上市公司的数据信息进行检测。对上市公司信用风险评定的影响来自于多个方面,既有来自于财务指标的金融因素的考量,同时也有来自于外部市场复杂纷繁的非金融因素的刺激,所以作者利用BP神经网络算法非线性的学习能力,结合现有银行信贷客户信用等级的评测方法,分析构建出一个具备学习能力的新的银行信贷评估系统。本文主要贡献为:1、对现有的商业银行的信贷风险评估进行理论研究;2、提出一种基于BP神经网络的商业银行信贷风险评测模型。其核心是利用神经网络的自学习能力实现复杂的贷款风险评估。