从2007年我国第一个P2P网贷平台成立至今,我国的P2P网贷经历了高速发展期和风险集中爆发期,开始进入到现在的政策调整期,当前阶段,如何识别并且防范P2P网贷所产生的风险和问题变得尤为重要。现有的对于P2P的风险评估大多是定性分析,缺乏对于风险的定量分析,因此本文通过获取借款人在网络借贷平台的数据进行定量分析,得到一个评估模型以此来评价借款人的信用状况,防范潜在风险。互联网技术的发展,机器学习成为人工智能领域中不可或缺的一部分,将机器学习应用于信用风险评估必然是未来的主流趋势。人工神经网络作为人工智能学习主要形式之一,它是从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按照不同的连接方式组成不同的网络,并利用网络训练实现智能操作的数学模型。BP（BackPropogation）神经网络又称误差反向传播算法,属于人工神经网络的一种,利用该方法实现对借款人的信用评价具有一定的研究意义和价值。本文阐述了 P2P网贷的基本理论,介绍了 BP神经网络的基本结构、特性及算法,以及熵权法的基本原理和计算过程,将熵权法和BP神经网络相结合,用熵权法弥补以往BP神经网络主观赋权存在的缺陷,将机器学习方法运用到互联网金融领域,结合互联网金融P2P网贷的特点,从借款人的个人信息入手建立适用于我国互联网金融发展的风险识别模型,用该模型来评估借款人的信用风险。最后,本文采用将熵权法和BP神经网络结合的方式搭建信用评价模型,通过熵权法计算出综合权重,再采用BP神经网络法结合熵权法所求综合权重,可实现对借款人信用得分进行计算。由实验结果可得出以下结论:（1）对现有的定性评价分析模型相比,定量分析更具有说服力,更能直观看到借款人的信用得分,为债权人评估投资风险提供了更好的参考依据;（2）不同的BP神经网络参数设置会影响最终网络输出值,参数设置需根据多次实验合理谨慎设置;（3）选择不同的训练函数对整个神经网络的迭代次数、时间以及输出结果的精确性有较大影响,应选择合理的训练函数;（4）相比单一的BP神经网络法,采用熵权法和BP神经网络相结合,挖掘了用户数据的价值,指标权重计算更为合理科学。