在当今社会中,随着各种各样信用经济形式的诞生,银行、信贷机构等都收集了大量的个人信用数据,为了利用这些历史数据来构建信用评估模型,越来越多的信用评估方法被提出来。目前的信用评估方法有;逻辑回归、支持向量机、决策树等,但是由于在信用评估方法中,涉及到的客户属性众多,许多研究者的做法都是将收集到的信用数据全部作为模型的训练数据,这样的做法并不能够保证训练出的模型具有良好的泛化能力。因此,本文研究了一种能够自动进行特征降维的降噪自编码神经网络,以其作为信用评估模型的基础来进行主要特征的学习,然后将学习到的特征数据作为模型的输入,以提高模型对信用好坏客户的分类能力。本文主要的研究工作和创新点包括以下几个内容:首先,给出了信用评估的一些基本知识,对信用评估的国内外研究现状进行了简要的分析,为后续的新的信用评估模型提出提供了基础。然后,描述了采用的基于降噪自编码神经网络与单一信用评估模型相结合的信用评估模型,这里主要包括了降噪自编码神经网络的原理以及其训练过程、信用评估方法的原理。并且针对信用评估问题中数据量大的特点,采用一种基于K-均值聚类的支持向量机信用评估方法,该方法首先通过对训练数据进行聚类,然后对每个类通过降噪自编码网络进行特征学习,使用这些学习的特征分别进行支持向量机模型的训练。对未标记的数据,首先计算其距离各个聚类中心的距离,选择距离最近的类所训练的模型对其进行分类。最后,进行了实验的设计与验证。由于个人信用数据中包含大量隐私信息难获取,因此只使用了德国信用数据和Kaggle竞赛的两个公开数据集来进行实验。本文使用了正确率,第一、二类分类误分率以及AUC值作为评价标准,与其它方法的实验结果进行了对比分析,验证了采用的模型的正确性和可行性。