随着国家经济的快速发展,信贷市场日渐扩大,商业银行面临着机遇与挑战。信贷业务量的猛增,给商业银行带来了巨大的资本和其他收入,但不良贷款率也在随之上升。早期传统的信贷违约评估模型较为简单,针对性较强,无法应对更多的不确定性,一旦外部环境和消费者行为发生了变化,所构建的模型便不再适用,抗风险能力也会逐渐变弱。而在如今这个大数据时代,商业银行若不完善个人信贷评估体系,提高信贷模型性能,将会面临更大的风险。基于此,构建一个高度适用的信贷风险识别模型就显得非常重要。机器学习是近几年学者们的研究热点,广泛应用于多种领域,并在预测、分类等方面表现出了优秀性能。因此,本文构建了一个基于kmeanssmote算法和BP神经网络算法的综合应用预测模型,即KMSS-BPNN,用于信贷风险预测。同时,本文还提出了一种优化BP神经网络初始输入权值的方法,并将该方法应用于本模型。模型首先采用PCA算法对UCI信贷数据集进行降维,然后采用kmeanssmote算法对原始不平衡数据集进行过采样处理,接着利用随机森林计算特征重要性,并将特征重要性作为BP神经网络的初始输入权值。最后,构建其他五种机器学习信贷预测模型,将其结果与KMSS-BPNN模型预测结果进行比较分析。为了进一步验证模型的高度应用性,另外选取了两组相类似的不平衡信贷数据集。研究表明,KMSS-BPNN模型将AUC值从0.756提高到0.924,准确率也从0.821提升到0.880。且构建的其他综合预测模型的AUC值都是小于等于0.91,accuray值也低于0.880。此外,本文提出的权值优化方法使KMSS-BPNN模型的AUC值从0.924提升到0.930,其余性能指标都在一定程度上得到了改善。此结果也在另外两组数据上获得了验证。