我国商业银行业务中的主要风险,仍然是信用风险。在全球竞争的背景下,提高我国商业银行的信用风险管理能力至关重要。信用评级是一个“古老”的问题,信用评级系统是商业银行信用风险管理的基础,也是信贷业务管理的支撑。随着全球金融竞争背景的变化,精确计量信用风险技术、风险调整收益计算以及资本充足率计算等各方面的需求均对作为基础的信用评级体系提出了更高的要求。随着信息技术的飞速发展,使用高级机器学习模型和人工智能方法处理信用评级问题,构建精确、定量的信用评级系统将是未来的主要研究方向,并且可以的极大地推动商业银行信用风险管理水平的提高。本文首先对商业银行内部信用评级的相关理论和问题进行了详细的分析和研究,对统计方法应用于信用评级存在的问题进行了详细的说明,并提出了解决方法。接着,本文简要研究了统计模式识别的各种经典方法,并指出了这些方法在信用评级问题中的适用性。然后,本文详细研究了关于统计学习和支持向量机的相关理论和算法,并详细说明了支持向量机相对于一般分类方法在泛化能力上的优越性。最后,本文使用上市公司数据,对SVM在信用分析中的应用效果进行了实证分析,并与BP神经网络模型进行了对比,证明了该方法适于处理这类数据。在实证分析的基础上,结合商业银行的管理需要和业务特点,本文得到了一系列关于支持向量机模型用于信用评级问题的结论,并对未来的深入研究进行了展望。