随着国外银行的大量侵入，国内银行竞争压力巨大，银行营销——作为银行业获利可观的一个有效途径便应运而生。在营销领域，为了避免在一些低价值的客户身上浪费巨大资源，必须首先要对银行客户进行有效地分类，以此识别出客户的购买倾向，把目标定位在高价值客户身上。相比于过去问卷调查的形式，本文把近年发展迅速的数据挖掘技术应用在对客户购买营销金融产品倾向的识别中。并且针对传统的基于人口统计信息或行为信息等单一状态的客户分类指标，提出基于营销活动行为和人口统计信息相结合的，即动静态相融合的客户分类指标，再结合改进型神经网络模型对银行营销客户进行分类管理。本文首先介绍了用于客户分类的几种智能方法，分析它们的优缺点，由此引出神经网络的广泛适用性和综合智能技术的必要性；接着简要介绍了神经网络、遗传算法的工作原理和突出特性，以及传统自适应遗传算法的优点和不足，从而提出一种改进的交叉和变异算子来改进自适应遗传算法，促进算法能够搜索到全局最优解；之后把改进后的自适应遗传算法和神经网络相结合，以此优化神经网络的连接权值，构成改进型自适应遗传神经网络分类模型。最后获取一组在某次营销活动中的银行客户信息，选取相应指标，将其规范化预处理之后，再对其进行主成分分析，为客户分类指标降维，从而使得网络的输入向量减少，网络复杂度降低。在确定好网络结构和参数后，运用部分客户数据训练此网络，最后为其余客户分类预测，实验结果表明该模型具有良好的分类准确率和运作效率。