随着我国经济体制改革的深入以及民营金融的合法化,小额贷款业务成为我国信贷市场的重要组成部分和补充力量。自2008年银监会和中国人民银行指导开展小额贷款公司试点工作以来,历经多年的飞速发展,小额贷款已逐渐演变为金融服务发展中的重要一环,也在助力攻坚普惠金融方面发挥至关重要的作用。与此同时,小额贷款公司由于自身信用风险管理不当等原因导致信贷风险事件频发,使得公司资产损失惨重甚至威胁到小额贷款公司的生存与发展。因此,为了保证小额贷款平台信贷业务的正常运转,建立一套完善而有效的信用风险评估模型具有重要的研究意义。首先,本文梳理了国内外关于信用风险评估的研究文献,发现大多数信用评估模型以区分好的与坏的贷款申请人为导向,模型趋向于获得尽可能高的准确率或AUC。而对于盈利性借贷机构来说,对借款人进行信用评估的最终目的之一是获得尽可能多的利润。国内外对于基于利润的信用风险评估研究较少,本文提出了一种全新的基于利润的信用风险评估方法,并构造利润测度对模型的利润提升能力进行评价。值得注意的是,信用数据集通常存在着数据不平衡问题,有偿还能力借款人的数量远大于违约借款人的数量。国内外学者对于数据不平衡的解决方法集中在数据层面,通过欠采样、过采样或混合采样平衡类别分布,研究表明混合采样对数据进行平衡的效果最佳。其次,本文对小额贷款公司相关基础理论和信用风险评估方法进行阐述,为构建借款人信用风险评估模型奠定了理论基础。在构造基于利润的RB-GBDT小额贷款风险评估模型的过程中,第一步利用Random Balance混合采样方法对不平衡的信用数据集进行处理,以得到类别平衡的数据集;第二步选取梯度提升迭代决策树（Gradient Boosting Decision Tree,以下简称“GBDT”）作为信用风险评估模型的基础分类器,基于GBDT模型从梯度下降方向迭代损失函数以使得最终模型损失最小的思想,采用利润函数作为GBDT的损失函数,使其沿着利润函数的方向进行迭代;第三步将多轮迭代训练出的基学习器进行集成得到最终的信用风险评估模型。最后,在小额贷款信用风险评估模型实证研究部分,本文以某金融机构的个人贷款数据样本为例进行了实证建模与分析。在模型性能评价指标的选取上,不仅采用了准确率、F值和AUC等常用的评价指标,还构造了期望利润测度评估模型对于借贷机构的利润提升能力。通过将本文提出的方法和其他几种常用的机器学习模型以及采样方法进行对比,发现本文提出的模型明显优于其他信用评估模型,在小额贷款借款人信用风险评估场景具有很好的适用性。针对我国小额贷款行业现状,为促进小额贷款行业稳定健康发展,本文提出了一些具体的政策建议。