信用不仅是商品经济发展过程中的衍生物,同时也是现代社会中市场经济繁荣发展的基础。当前我国经济正处于从高速发展阶段向高质量发展阶段转变的关键时期,建设良好的企业信用将为我国经济的高质量发展提供坚实的基础和保障,同时能够有效规避信用风险,保持经济秩序的稳定。在信用评级方法的选择上,传统的信用评级方法如因子分析、逻辑回归、判别分析、主成分分析等,虽然被广泛应用,但在使用这些方法前需要满足一定的假设条件,例如需要数据符合正态分布,或要求变量之间存在较强的相关关系。但在处理实际问题时,往往很难满足这些假设条件,这在一定程度上影响模型预测结果的准确性,相比之下,机器学习模型可以有效解决这一问题。但通过阅读近些年来的文献发现,一些基础的机器学习模型,如支持向量机、随机森林以及神经网络等也已经广泛应用于企业信用评级问题中。因此本文在支持向量机这一基础模型之上,运用粒子群优化算法来对支持向量机的参数进行优化,即应用PSO-SVM模型来研究企业信用评级问题。在整个的研究过程中,本文综合运用了三种研究方法,分别为文献分析法、定量分析法和比较分析法。本文以中国制造业上市企业信用评级为主要研究内容,基于目前存在的理论和研究成果,选取制造业上市公司的财务数据构建企业信用评级指标体系,运用粒子群优化支持向量机模型对上市公司是否违约进行预测,评判模型的分类准确率,同时与传统的支持向量机模型和遗传算法优化的支持向量机模型的预测结果进行对比并得出结论。本文共分为五章:第一章为引言,主要对本文的研究背景和意义进行阐述,总结国内外企业信用评级指标体系和信用评级方法的文献,并说明本文的研究思路、方法及创新点;第二章介绍了企业信用评级的概念和作用,并对我国制造业上市企业的信用评级发展现状进行分析;第三章阐述支持向量机和粒子群优化算法的相关理论;第四章为实证分析部分,主要包括我国制造业上市企业信用评级指标体系的构建和信用评级模型的实证分析过程;第五章为结论与展望。通过构建PSO-SVM模型对我国制造业上市企业进行信用评级并与其他模型进行对比,本文得出以下结论:（1）粒子群优化支持向量机模型优于遗传算法优化支持向量机模型和传统的支持向量机模型。其中,与遗传算法优化支持向量机模型相比,其在测试集上的分类准确率提高了 3.077%;与传统的支持向量机模型相比,其在测试集上的分类准确率提高了 7.6923%。（2）启发式算法（GA和PSO）能够有效提高制造业上市企业信用评级的分类准确率。粒子群优化算法和遗传算法通过对传统支持向量机的参数c和γ进行调优,可以显著提升模型的分类准确率大约5%-8%。本文的主要贡献是将PSO-SVM模型应用在对制造业上市企业的信用评级中。在传统的支持向量机的基础之上,利用粒子群能够快速寻求最优解的特点,依靠粒子群算法快速收敛的优势,在某个范围内对支持向量机的参数进行搜索,最终得到最优参数,从而提高制造业上市企业信用评级的分类准确率。同时,本文也存在一些不足:（1）构建制造业上市企业信用评级指标体系时,对财务数据以外的指标缺乏考虑;（2）需要进一步探究制造业上市企业信用评级的多分类机器学习模型;（3）研究企业信用评级方法时未能结合时间序列分析模型。