科技型企业具有高科技性、高成长性、高风险性的“三高”特点,在全球科技创新飞速发展和我国现有金融体系“避险”特性的背景下,“融资难”问题是其不断发展壮大过程中所面临的长期问题。在我国,商业银行贷款是解决科技型企业融资困难的主要手段,也是首要的间接融资方式。但由于科技型企业数量多,发展历史短,市场风险相对大,经营利润不稳定,企业所拥有的可以明确进行评估和抵押的资产少等特点,导致企业的信用级别普遍不高,因此很难通过商业银行的贷款资格审查。本文以我国科技型企业为研究对象,首先介绍了信贷评价指标体系基本理论和信贷评价模型,并将人工神经网络模型与常见评价模型进行比较分析。随后阐述了科技型企业信贷评价指标的设置原则并提出本文选取的评价指标,接着运用层次分析法和专家打分法对指标进行深入分析并赋予权重,以此建立一套科学、合理、有效的科技型企业信贷评价指标体系,并通过分析科技型企业的产业特征和信贷需求,最终以天津市25家科技型企业为例进行了实证研究：基于遗传算法优化的BP神经网络建立了一个针对我国科技型企业的信贷评价模型。基于GA-BP算法的神经网络模型克服了传统BP算法容易陷入局部最小收敛速度较慢、模型结构不易确定等缺陷,同时,在继承传统BP神经网络的自学习、自适应和非线性映射能力的基础上,有效降低了输出结果的误差,改善了模型的性能,提高了BP神经网络的泛化能力。最后通过数据的验证说明了基于GA-BP算法的神经网络模型对于科技型企业信贷评价指标体系的建立是完全有效并可行的。本文的研究成果对进一步在实践中探索科技型企业信贷评价指标体系和解决科技型企业融资难的问题具有重要意义。