中小企业在我国国民经济中占有越来越重要的位置。目前中小企业的总数、工业总产值、实现利税和出口总额以及为社会提供就业岗位总量也逐年上升。这表明中小企业在促进国民经济增长中发挥了非常重要的作用。但是,融资难的问题一直困扰着中小企业,其中重要的一项就是信贷融资难的问题。我国近期也出台相关政策,继续引导和鼓励银行业金融机构加大对中小企业的信贷支持力度,促进中小企业成长。然而,在解决中小企业信贷融资问题的同时,给商业银行本身带来的最大威胁也来自于中小企业违约的信用风险。信用风险评估是解决银行企业间信息不对称的关键。从我国银行业来看,信用评估模型的应用还处于初级阶段。由于缺乏有效的历史数据的缘故,商业银行普遍没有建立起定量信用评估的模型。本论文的研究重点针对我国中小企业的特点,结合现有的企业信用等级评价体系,将粗糙集属性约简的方法应用于中小企业信用评价指标体系建立的过程中,减少人为操作,简化评价体系,从而建立一个更为科学、实用的中小企业信用评价体系。根据BP网络的算法思想,将中小企业信用评价体系做为基于神经网络的中小企业信用评估模型输入端,通过商业银行信贷管理信息系统(CMIS)数据库的中小企业信贷历史数据的训练和学习,调整模型各组成神经元之间的链接权重,确定输入输出之间的内在联系,从而使模型具备了对中小企业信用风险的预测评估能力。通过该模型进行中小企业信用的评估,首先弱化了信用指标和权重确定中的人为因素,提高了评估结果的准确性；其次应用神经网络超强的非线性处理能力,更加准确的体现了中小企业信用指标体系各要素与评估结果的关系,并且通过MATLAB软件对模型进行仿真实验,检测模型的实用性、有效性和科学性。