个人信用评估是商业银行风险管理的重要组成部分,国外银行界对于信用评估的研究已经有50多年的历史,发展出了包括统计方法和非统计方法两大类许多种方法。支持向量机(SVM)是近年来在统计学习理论的基础上发展起来的一种新的机器学习方法,它具有很强的泛化能力。本文的研究中心就是支持向量机在个人信用评估中的应用,引入遗传算法作为筛选属性变量和调节参数的优化算法,建立基于遗传算法和支持向量机的个人信用评估模型。最后将支持向量机作为AdaBoost算法的基础学习器,建立AdaBoost-SVM模型,应用到个人信用评估,实证分析表明,此种模型较之单一的支持向量机更有效。本文所做的主要工作为:1、考虑到模型的输入变量和模型的参数之间存在着相互依赖性,本文引入遗传算法将属性变量选择和参数调节两方面的工作同时进行,同步优化,使支持向量分类器性能达到最优。2、提出了动态AdaBoost支持向量机模型。传统的AdaBoost算法在整个Boosting过程中使用同一个学习器,这样做的话会造成有的支持向量机过强,有的过弱,而最终Boosting效果欠佳,因此,我们在每一次Boosting过程中都通过调节参数使支持向量机精度仅略高于随机猜测,得到一个动态的AdaBoost支持向量机模型。实证分析表明,该模型优于普通的支持向量机。