随着经济全球化，信息时代的来临，金融行业的竞争环境发生了天翻地覆的变化。在西方发达国家中，信用卡的普及、提前消费的观念被社会广泛所接受使得各大金融机构将目光放在了信用卡客户的借贷经营中。同时，客户对市场的了解越来越深，对信用卡提供商要求也越来越高。这些严峻的现状使得企业不得不将经营理念向“以客户为中心”转变。因此，如何吸引并保持现有客户、培养和挖掘潜在客户已成为企业竞争的焦点，良好客户关系的提升成为信息时代的致胜关键。 客户保持是客户关系管理的一个重要组成部分，精明的市场的经营策略是尽可能的保持与现有客户的长期合作关系。在金融行业中，一个企业拥有上百万个客户，在如此庞大的群体中实施客户保持策略的开销是难以想象的。因此对现有客户进行分类，找出潜在的流失客户是客户保持得以实施的关键因素。 然而客户的行为状态存在着很大的不确定性，其出现和变化不能通过简单的物理规律加以确定。在金融行业的数据库系统中，拥有大量客户信息和客户历史交易信息，如何管理和分析大量，庞杂的信息，从中找出对企业管理决策有价值的信息则需要有先进的技术和工具的支持，而数据挖掘等新兴技术的出现为数据分类问题提供了良好的支持。随着数据挖掘的兴起，对数据分类问题的研究也越来越多，其中贝叶斯分类器是解决不确定性分类问题的一个非常有效的工具。 目前，我国在金融行业的客户保持的研究与西方还有很大差距，随着我国经济的发展，人民消费水平的提高和消费观念的更新，信用卡的普及是必然的发展趋势，随着中国加入WTO，世界各大金融机构将对我国的企业产生强大的冲击，客户保持策略可以提高我国企业的竞争力，是在经济全球化的市场环境中得以生存的关键。因此本研究课题具有重要的理论与实际意义。 本文首先分析了当今西方发达国家中金融行业中的背景，针对金融业中客户保持的特点，进行了大量的统计和分析，使用遗传算法来构造贝叶斯分类器模型，构造出的分类模型拥有较高的分类精度，可以从大量的客户中准确地找出少数潜在流失的客户。本文研究的贝叶斯分类器构造算法已经作为核心模块嵌入在潜在流失客户预测系统中，在一家知名的日本企业中得以应用，并获得了满意的结果。 本文主要的研究目标是贝叶斯分类器网络结构的构造算法，在对现有的构造算法的研究的基础上，提出了基于遗传算法的贝叶斯网络分类器的新的构造算法，在相同训练数据和评价数据下，对该算法和现有的构造算法进行仿真，结果证明，基于遗传算法的贝叶斯分类器拥有更高的分类精度。同时，在该算法的基础上，开发了潜在流失客户预测系统，并应用在实际之中。 本论文的研究工作为数据挖掘中的不确定性分类问题提供了有效的问题描述与分析工具。