改革开放以来,我国经济快速增长,人民越来越富裕,个人的消费和投资理念也发生了翻天覆地的变化,个人消费信贷的规模随之不断扩大,逐步成为个人消费的主要方式,近年来兴起的互联网金融更是大大促进了个人消费信贷的快速增长。但是,目前我国落后的信用制度大大制约了个人消费信贷的进一步增长,个人信用评估体系作为信用体系最重要的一环开始成为社会和学术界关心和研究的热点。国内外很多学者提出了许多科学合理的的个人信用评估模型,包括:判别分析、Logistic回归、K-近邻、朴素贝叶斯、分类树、决策树、人工神经网络、遗传算法、支持向量机等。其中,朴素贝叶斯作为机器学习领域最重要的分类算法之一,有着简单的结构、高效准确的分类精度、坚实的数学理论基础等优点,是目前最好的分类器之一。但是在实际的应用里面,朴素贝叶斯的条件独立性假设往往很难得到满足,必然会影响其分类性能。本文为了提高朴素贝叶斯的分类性能,采用了放松其条件独立性假设的思想,提出了基于主成分分析的朴素贝叶斯方法、基于属性加权的朴素贝叶斯方法和基于粗糙集的朴素贝叶斯方法并以此为基础构建了三种个人信用评估模型。然后,本文基于个人信用评估指标体系的选取原则和国内外现行的个人信用评估指标体系构建了自己的个人信用评估指标体系。选取UCI机器学习公开数据集中的德国信用数据集作为我们的数据来源,通过实证检验,证明了本文提出的三种模型的有效性,验证了它们对于朴素贝叶斯方法的改进效果。