近年来,金融服务的门槛逐步降低,个人小额贷款业务日益增长。这对金融机构的风险控制能力提出了巨大的挑战,坏账的出现会给金融机构带来无法挽回的损失,而庞大的个人贷款申请数目使得人工审查不堪重负。本文主要研究的是个人信用风险评估模型,实现贷前对用户逾期风险的预测,从而辅助金融机构的放贷决策。目前我国的征信体系尚未完善,信用风险评估模型的建立大多只能依靠金融机构内部积累的用户数据,本文的模型主要建立在用户的交易记录和属性特征上。对于交易数据,本文探索了两种表示方法,分别是按时间顺序排列的事件序列以及按时间窗口组织的统计特征矩阵,前者是交易原始特征的直接表示,而后者是经过时间聚集的二次特征。针对这两种交易表示,本文分别设计了相应的特征提取结构,运用基于双向的门控循环单元(GRU)的结构提取事件序列的特征,而利用包含多尺寸卷积核的卷积神经网络(CNN)结构提取交易矩阵的特征。最后,运用神经网络将经过特征提取后的这两种表示和交易的总体统计特征以及用户的属性特征相结合,建立个人信用风险评估模型。本文还在某支付公司提供的真实数据集上对提出的模型进行了实证研究。基于交易数据的序列分类实验,体现了双向GRU和CNN结构分别在两种交易表示上的特征提取优势,也验证了交易数据对个人信用风险的预测作用。而对于本文提出的特征融合后的模型,其F1达到0.71,AUC达到0.90,相较于基于随机森林的模型有较大提升。