商业银行信用风险已经成为目前我国金融风险最主要、最集中的一种表现形态，对整个经济运行有着极为重大的影响。近年来，随着我国商业银行不良资产的剥离和管理水平的不断提高，商业银行的不良贷款率和不良贷款余额呈现出双下降的态势，但我们应该清楚地看到，目前商业银行贷款总额的增长速度和绝对数量仍然巨大，面对庞大的贷款规模，如何提高商业银行信用风险管理水平，保证银行资产安全，将直接关系到我国金融安全运行和国民经济健康发展。信用风险评估作为风险管理的核心环节起着至关重要的作用。　　本文以信用风险理论、核学习理论、核函数理论、统计学习理论等具体相关理论和方法为基础，以自适应信用风险评估模型为研究对象，根据核学习理论深入研究了自适应信用风险评估的机制和原理，揭示了影响自适应信用风险评估机制的重要要素----核函数和模型的参数选取，并从核函数选取和改善模型参数选取入手，构建了加权高斯核函数SVM自适应信用风险评估模型。　　通过对信用风险成因、特征和信用风险评估内涵的深入研究，结合对核学习理论的深入分析，提出了自适应信用风险评估的概念并界定了内涵，提出了基于核学习理论的自适应信用风险评估机制，深入研究了自适应风险评估机制原理并分析了可行性。　　为做好自适应风险评估模型实证分析构建了两个实验指标体系，并确定了实验样本数据选取和配对原则，说明了数据来源。根据信用风险评估的基本思路和信用风险影响因素的选取思路，通过对信用风险影响因素的分析，根据上市公司财务数据库的实际情况，结合信用风险评估指标选取的原则，构建了一个只包含定量财务指标的实验指标体系；为验证自适应风险评估模型适应不同指标体系变化的情况，基于北京市某商业银行信贷信息系统数据库的数据构建了第二个实验指标体系；实验样本数据来源于北京市某商业银行信贷管理信息系统数据库和国泰安数据库。　　在介绍了支持向量机原理基础上，分析了影响支持向量机应用的关键问题。在此基础上，对基于核学习理论的自适应信用风险评估机制的客观有效进行实证，并分析了影响自适应评估机制的重要因素—核函数和模型参数选取，为构建自适应信用风险评估模型奠定了基础。　　选择加权高斯核函数，并改进了模型参数的选取过程，构建了加权高斯核函数SVM自适应信用风险评估模型，并对模型的自适应特点进行了实证分析；通过与径向基核SVM模型、Logistic模型、BP神经网络、RBF神经网络模型比较分析，证明了自适应信用风险评估模型能够适应样本数量增加和指标体系的变化，具有较高的分类精度和稳定性。