支持向量机(SVM)是从统计学习理论基础上发展而来的新型机器学习理论。与传统机器学习方法相比,支持向量机方法兼具处理小样本问题及样本数据不可分情况的能力,它以VC维理论和结构风险最小化原则为基础,在模型复杂度和学习能力之间达到了良好的平衡,并获得了很好的泛化能力。本文首先明确了信用风险、信用评级等概念,介绍了标准支持向量机相关理论及C-SVM、BSVM、v-SVM、Bv-SVM、LS-SVM、PSVM等变形算法。本文将支持向量机方法运用于上市公司的信用评级中,在对地产类、工程建筑类、计算机类和酿酒食品类上市公司的资产负债表和利润分配表进行分析后,经筛选将获利能力、财务比率和流动性等财务指标作为特征变量进行训练和预测。本文运用LIBSVM软件包测试了SVM方法在企业信用评级中的分类准确率,考察了不同参数和核函数的选择对相应实验结果的影响。实验结果表明,综合考虑效率和预测的准确率两个因素,多项式核函数在信用分类中是最好的。