农业是国民经济的基础产业，在我国经济发展过程中发挥着重要作用。随着我国工业化和城市化进程的加快，农业在三大产业中的比重逐年下降，但是农业与其他产业的发展却更加紧密。作为一个弱势产业，农业需要通过工业化的发展为其提供支持，同时国家也在积极采取措施解决“三农”问题。农业经济的发展需要国家及金融机构部门加大对农业的资金投入力度，从而使得农业信贷项目得到有效的支持和良好的发展。信贷业务是商业银行的一项传统业务，是目前乃至今后很长一段时间内商业银行的主要利润来源。然而近几年我国农业行业的信贷违约程度一直居全行业之首，作为重点扶持农业发展的商业银行而言，对农业信贷风险的预警、评估和防范是其面临的主要问题。如何构建适合我国现实情况的农业企业信贷风险评估模型，提高商业银行农业信贷风险管理水平，加强商业银行信贷决策，更好地防范和应对信贷风险是本文要解决的主要问题。早期的信贷评估方法比较容易受主观因素的影响，而神经网络模型在进行信贷风险评估过程中，不需要建立模型，可以将定性因素和定量因素综合考虑，将相关数据输入神经网络就能对数据之间的关系进行总结，并且神经网络对数据的处理有着良好的自适应性以及很强的学习、模仿、抗干扰能力，因此神经网络模型能够灵活地处理多变量的复杂环境，有效地表示出信贷指标和信用等级之间的非线性映射关系。本文在总结国内企业信贷风险评估文献的基础上，运用显著性分析和主成分分析构造出农业类上市企业的信贷风险评估指标，并将神经网络模型和Matlab软件工具相结合，提出了基于BP神经网络的农业企业信贷风险评估模型，并对模型进行调试，最终结果显示神经网络模型对农业上市企业信贷风险评估的准确率达到了85%，具有较高的精度，通过建立神经网络信贷风险评估模型从而为商业银行发放农业类贷款提供依据，达到规避农业企业信贷风险、降低银行不良贷款比率、减少银行经营成本的目的。