我国汽车消费信贷业务经过十余年的发展，逐步形成较为规范、有序的市场环境，然而在发展过程中却暴露了许多严峻的问题，尤其是客户违约风险极为严重，导致消费信贷业务几度被叫停，极大的阻碍了汽车消费信贷业务在国内的发展，对汽车行业也产生了巨大的影响。如何有效地评估消费信贷业务借款人的信用，提高授信审批的准确度，进而降低违约风险，是本文着重研究和探讨的方向。　　 本文的主要思路是：以我国汽车消费信贷业务为切入点，针对汽车消费信贷业务发展中存在的高违约风险，采取数据挖掘技术应用于违约风险的主要源头“个人信用风险”的评估方面，通过建立基于神经网络算法的信用评估模型，对申请汽车消费信贷业务的借款人信用状况进行评价，预测出借款人可能的违约状况，从而从贷款审批源头上控制风险，减少汽车金融服务机构的损失。　　 主要内容是：第一部分对国内外汽车消费信贷的发展状况和特点进行比较分析，进而得出汽车消费信贷的风险多方面成因，并着重针对个人信用风险评估方法进行深入的研究。第二部分对数据挖掘理论的原理、过程，以及人工神经网络三种主要算法的原理和应用进行深入的研究。第三部分在对个人信用风险成因深入研究的基础上，对汽车金融服务公司2800条客户信息进行数据挖掘，研究如何将人工神经网络算法应用信用评估建模过程，通过建立BP神经网络模型、多层感知器神经网络模型、径向基函数神经网络模型，找出个人信息指标与信用评估之间隐含的规律。经比较分析选择出预测精度最高、稳定性最好的信用评估模型，通过该模型可以预测新的借款人可能的违约状况。根据模型的结果得到各信息指标对于不良信用即贷款状态为呆帐的影响程度，从而确定各指标项的权重建立其个人信用评价模型，将数据挖掘结果量化为具体的评分模型。　　 本文研究的意义在于：第一、通过神经网络算法建立的神经网络模型预测精度达到87.43%，相比较国内相关方面研究成果，模型质量较高，同时生成的指标体系可以极大地提高贷款审批效率。第二、本文模型的数据源于国外著名汽车金融服务公司本地客户信息，由于数据挖掘最大的优点就是“原生性”，建立的模型立足于本土，与国内汽车消费信贷市场相吻合，有极强的适应性和原生性。第三、该模型的建模方法、数据处理方式也可以适用于其它个人类贷款的信用评估，具有一定的普遍适用意义。