近年来,随着我国经济的飞速发展,信用消费增长迅猛,经济逐步信用化,且各种个人信用消费贷款如个人住房贷款、个人短期信用贷款、个人汽车贷款等的规模呈现出了迅速扩大化的趋势。国内各大商业银行纷纷把发展个人信贷业务列为自己在未来发展制定战略时的重点关注对象,但就目前来说,国内各商业银行对于个人信贷业务的风险管理水平还比较低,管理手段方法相对比较落后,且欠缺一套科学、完善的个人信用评估体系。而个人信用评估的准确率将直接影响到信贷机构的收益,这就要求商业银行等信贷机构在个人信贷业务方面要具有科学、完备的信用风险管理体系,从而对于个人信用评估这一问题的探讨与研究就具有十分重要的现实意义。另外,考虑到在大数据环境下,数据的获取和规模都发生了根本性的变化,数据量呈现出大幅度增长的趋势。面对海量的数据资源,信用评级行业迎来了转型升级的机遇,同样也面临着前所未有的挑战。基于大数据时代背景下对于个人信用数据进行信用评估,本文在数据分析与整合方面尝试进行探索,考虑运用相关的技术方法首先对样本数据集进行降维分解,从而达到降低模型的复杂度,同时提高模型分类精度的目的。本文构造了一种基于粒子群算法并结合改进的SVDD算法所构成的混合信用评估方法。文章首先对信用样本数据进行预处理,然后再运用粒子群算法同时进行对数据的特征提取和对SVDD算法参数的优化,并结合改进的SVDD算法构建成最终的混合信用评估模型,对信用数据进行评估。最后将文章所构建的混合信用评估模型运用于两个真实的信用数据集上,进行实证研究,并通过实证结果发现,与其他一些信用评估方法相比,文章所构建的基于PSO的改进的SVDD算法可以更好地提高信用数据的分类精度。