目前,我国个人信用制度体系尚不完善,我国个人信贷发展趋势日益迅猛,个人信贷占商业银行总体贷款的比重逐日上升,已成为我国各银行的预期利润增长点,加强对个人信用评价方法和指标的研究,可以极大限度降低银行开展消费信贷的风险,加快个人信贷的发展。本文在对国内外有关研究成果进行深入分析的基础上,阐述了判别分析、线性回归、神经网络、决策树等评价模型的基本原理。同时对国内外个人信用评价的分析内容进行了详细的分析和比较,据此建立了适合我国实际情况的个人信用评价指标体系。本文研究应用神经网络分类、决策树分类进行信用分析的方法,将它们引入到个人信用分析领域,由于指标多为连续型、离散型变量的混合,而决策树与神经网络适合于处理连续型、离散型或这两种的混合型变量,在信用分析方面,也有很好的应用。这里同时应用,也能起到一个互相校验的作用。本文从我国商业银行实际的个人信贷业务中抽取适当的样本,应用决策树模型进行了分类运算,通过对影响模型分类效果的样本结构、错分成本等参数的不同组合的测试,对决策树模型进行优化,得到了适合应用于商业银行个人信用评价的模型。接着分别用神经网络的EXhaustive prune算法、Prune算法、RBFN算法建模,并对模型进行优化。最后将两种模型进行比较,比较研究的结果表明,神经网络的EXhaustive prune算法模型要优于决策树的C5算法。