近年来,债券市场成为中国金融市场体系中最具活力的部分,在提高市场融资效率、服务实体经济方面发挥了重要作用。信用债作为企业,特别是非上市企业融资的关键渠道之一,已成为我国债券市场的重要组成部分,投资者队伍不断壮大。然而与信用债市场隆隆日上相伴而来的,是违约乱象的频生。因此构建较为完善的发债主体信用风险评价体系对于规避信用风险和经济损失、促进金融市场稳健发展不可或缺。本文通过分析发债企业信用风险评价模型中的几个重要性问题,发现以往的研究中存在模型构建以单一分类器为主,难以兼顾精确性和稳健性的问题,且多以二分类模型居多,模型应用范围有一定局限。此外,在评价指标体系构建中以财务数据等“柔性数据”为主,准确性和时效性欠佳。针对上述问题,本文以构建一种信用债发行主体的信用风险多分类评价模型为目标,重点研究构建一套结合了财务指标和非财务指标的信用评价体系,通过集成算法进行指标筛选与分类,进而形成信用风险分类效果更优异的组合多分类器。本文主要研究工作如下:（1）从Wind金融数据库和格兰德管理咨询项目数据库中搜集信用债发行主体的财务和非财务数据并进行分类和量化处理,初步形成由12个财务指标和10个非财务指标组成的信用风险评价体系。（2）通过Kruskal-Wallis秩和非参数检验完成评价指标初筛,接着利用随机森林算法完成特征变量约减工作,最终有6个财务指标和4个非财务指标被纳入信用风险评价体系。（3）基于Adaboost算法构建集成多分类模型。将信用债发债企业的信用风险大小与其主体信用等级变动幅度（未下调、下调1-3级、下调4级及更多）做映射,将样本企业按分层随机抽样的原则,每个风险等级划分70%作为训练集,30%做测试集,完成模型构建。（4）运用其他单一分类器:Logistic回归、SVM、决策树、KNN、神经网络进行多分类模型构建,并将实验结果与Adaboost集成多分类模型做对比,对比各模型的AUC值、F1值、准确率、召回率、特异度等指标。经过对比分析,得出结论如下:基于Adaboost算法的集成多分类模型在分类效果上明显优于上述五种传统单一分类模型,虽然Adaboost模型对中风险类别错分率稍高,但因其错分时更倾向“严格”调高风险等级,且未发生将高风险企业划分为低风险企业的“原则性”错误,故在发债主体信用评价问题的解决上具备较强的实用价值,为我国企业信用风险管理行业提供了更有针对性的解决方案借鉴。