随着互联网技术和金融的高速发展与深度融合,各种网络信贷产品不断推陈出新,现已走进人们的日常生活。与传统银行贷款业务不同,网络信贷凭借其申请流程方便、贷款额度灵活,且可随时随地办理等优势,逐步成为人们最常用的贷款渠道。开展网络信贷时,如何提前预测用户是否会违约、如何有效减少因产生坏账而带来的损失,是所有信贷机构面临的关键问题。因此,建立能够对用户违约风险进行有效预测的信贷交易风险评估模型,对于互联网信贷机构的长久发展有着重要意义。针对以上需求,本文提出了一种结构跳跃拼接的全连接神经网络（Jumping Splicing fully connected neural network,简称JSNet）信贷交易风险评估模型,并将模型应用到开发的信贷交易系统中,主要完成如下工作:针对正负样本比例差异较大的信贷非平衡数据集,提出了T检验-加权的过采样法,引入统计学指标综合考虑数据分布形态和正负样本差异的显著程度两方面因素,合理生成少数类样本以达到样本均衡的目的;然后将处理好的数据输入到本文提出的基于JSNet神经网络的信贷交易风险评估模型进行用户违约风险预测,该模型引入残差网络思路采用迭代跳跃的结构,有利于模型拟合更多的信息且避免发生过拟合。在公开的Lending club数据集上与三种主流模型进行对比实验,实验结果表明本文所提模型在各项指标上均有提高。本文根据需求开发了基于神经网络的信贷交易风险评估系统,通过对目前信贷交易平台的调研,首先从用户、功能性和非功能性角度对系统进行需求分析,然后运用系统框架结构图等描述方式对系统进行了总体设计,接下来对系统进行概要设计和各具体功能模块的详细设计以及数据库设计。系统技术架构方面,后端采用Python中Django框架的MVT模式开发,前端采用Vue.js框架来进行系统页面的构建,最终实现了信贷交易风险评估系统。并且添加用户画像页面,通过K-Means聚类算法将用户进行分组,可视化贷款用户的属性特征。通过对信贷交易风险评估系统的功能测试和性能测试,结果表明系统各项功能均达到预期效果,在安全性、易用性、并发性等性能方面均能满足需求。