近年来，随着我国国民经济的持续发展和人民消费观念的迅速改变，各种涉及个人信用消费的规模和数量在不断迅速扩大。在个人消费信贷不断升温的情况下，各大商业银行纷纷把发展此类信贷作为各自未来发展战略的重要组成部分。但是目前这些银行和征信机构对个人信用管理不规范、评价方式不合理以及相关制度不完善。在办理业务过程中仍然是利用传统经验来评价个人信用消费信贷申请者的个人信用状况和按时还款能力。目前学术界内虽将传统的统计分析方法和机器学习方法应用在个人信用评价问题上，但是不能在精确性和稳定性上找到一个较好的平衡点。基于以上的考虑，本文在参考近几年国内外有关个人信用评价研究成果的基础上，利用最近广泛使用的支持向量机构建适合国内的个人信用评价模型，并利用某商业银行的个人信用贷款样本数据检验模型。本文首先在参考国内外相关文献的基础上，构建了一套适合我国基本国情的个人信用评价指标体系。其次构建了组合核函数支持向量机模型，避免了单一核函数模型独有的缺点；为了避免不同种类误分类代价的差异，造成分类模型实际应用效果太差，引入代价敏感构建组合代价敏感支持向量机模型。最后利用支持向量机组合传统的统计分析模型和神经网络，将构建模型从精确度和稳定度上与单一模型相比，结论是本文构建模型更具有实用性。