信用评估是银行贷款业务的核心工作,对贷款客户的信用评价是否科学可靠,关系着银行经营的成败。国内银行的信用评估方法目前还停留在传统的比例分析阶段,亟需建立一套更为科学的评估模型。近年来,神经网络(NN)、支持向量机(SVM)等智能模型已被引入信用评估领域,并取得了令人鼓舞的研究性成果。但前人的研究着重于智能评估模型的建立,对评估指标体系的选定却未作充分的探讨。本文采用数据挖掘领域中的特征选择方法,结合SVM分类技术,对评估指标的选取进行了较为深入的研究,并以此为基点,对信用评估的建模方法进行了新的拓展。本文将满意优化思想引入特征选择方法中,并针对国内银行信用数据的特点,综合考虑选出特征子集的维数及其在各个信用等级上的预测能力,设计了独特的满意特征选择算法。为使选出的特征子集具有算法针对性及适用性,本文采用SVM交叉验证方法评估特征子集的预测性能。通过与三种不同的特征选择方法的比较,发现基于SVM的满意特征选择能选出维数较低、总体预测性能较高、等级间预测性能较为均衡的特征子集,证实了该算法的适用性及优越性,并最终选定了一套较为简洁、实用的信用评估指标体系。在此基础上,本文还将特征选择方法应用到建模领域,探索构建多分类SVM组合评估模型的有效方法。对比实验表明,基于满意特征选择方式的多分类SVM组合模型,在预测性能上优于基于Bagging方法的组合、基于特征分组方式的组合、以及另外三种基于Wrapper特征选择方法的组合,并大大好于单个多分类SVM分类器,是一种有效且高性能的信用评估模型。