信贷风险是一个全球性的问题。信贷资产的质量优劣、信贷风险的大小对银行的经营成果乃至生存发展有着至关重要的决定意义。长期以来,我国商业银行缺乏有效的信贷风险监测和控制手段,通常是事后处理多,事前防范少；定性分析多,定量分析少；静态分析多,动态分析少。随着人工智能技术的兴起和逐渐完善,特别是具有显著的解决非线性问题的特点的神经网络技术的出现,为解决上述问题构建信贷风险预警监测模型提供了很大的帮助。因此,本文以改进优化的三层BP人工神经网络模型为主,建立包括短期偿债指标、长期偿债指标、赢利性指标、资产营运性指标、成长性指标、现金流量指标、企业规模等七个一级指标体系共三十三个二级指标的商业银行对企业客户信贷风险评价的指标体系,构建了基于人工神经网络的信贷风险预警监测模型,从某商业银行信贷管理信息系统选取223家分析样本,利用“3σ”评价规则确定客户初始信贷水平,并运用Matlab软件对构建的模型进行检验。实证分析结果表明：第一,我国商业银行信贷风险预警指标不服从正态分布,因而不适宜使用多元线性判别分析方法建立信贷风险评估预警模型,也不适宜用t检验筛选变量；第二,改进后的BP算法较传统BP神经网络学习算法训练结果有较大提高,正确率由正确率由86.98%提高到90.53%；改进后的BP算法较传统BP神经网络学习算法测试结果有较大提高,正确率由83.33%提高到90%,而且改进后的算法所犯的第二类错误：将“警度高”的样本误判为“警度低”的样本情况更少,对银行的损失更小；三,本文开创性地将“3σ”法则引入信贷风险评级中,采用其评级情况进行模拟识别,最后结果显示其准确率能达到较好的水平。