完善农村和农户信用体系是深化农村金融改革的重中之重。中共中央、国务院印发的《乡村振兴战略规划（2018—2022）年》明确提出:“发展乡村普惠金融”,“建立健全农村信用体系”。2021年2月21日,《中共中央国务院关于全面推进乡村振兴加快农业农村现代化的意见》指出解决好农村发展不平衡不充分问题,迫切需要补齐农村短板弱项。深入调研之后发现农户信贷业务已逐渐成为我国农村金融发展的重要组成部分,由于农村信用环境较差,并缺乏对农户信用风险评价的有效措施,导致金融机构与农户之间缺乏有效沟通,会导致贷款发放错位问题,因此农户信用风险评价模型构建仍然是一个重大问题。在乡村振兴战略等国家战略政策的引导下,各金融机构通过数据挖掘等方法进一步促进农户信用信息融合,构建与农户经济社会特征相匹配的信用风险评价模型,对农户信用风险进行更准确的预测,这是数字普惠金融发展的一大目标。因此,数字普惠金融背景下融合信用信息的农户信用风险评价模型构建是一个值得深入探究的课题。农户信用风险评价模型是对农户信用风险测度的一种有效工具,金融机构通过农户信用风险评价模型可以识别由信息不对称导致的信用风险,降低损失。为此,已有学者利用数理统计、机器学习模型对农户信用风险识别问题展开研究,但在实践中由于传统农户信用风险评价模型存在对非违约样本识别过度、对违约样本识别不足的问题,因此本文将Lasso函数引入农户信用风险评价,运用Python构建Lasso-随机森林信用风险评价模型。利用所构建的模型与Logistic模型、Lasso-Logistic模型、随机森林模型进行对比,基于2018-2021年翼龙贷公布的投资列表数据,以精确率、灵敏度、F1值与AUC值作为评价指标进行结果比较,验证各模型对农户贷款数据信用风险预测的有效性。研究结果发现:Lasso-随机森林模型在训练集和测试集方面的表现都优于Logistic模型、Lasso-Logistic模型、随机森林模型,Lasso-随机森林模型对违约项目的识别能力最好,且不同方案下Lasso-随机森林模型的精确度、灵敏度和平均误差都相对稳定。因此在数字普惠金融背景下,Lasso-随机森林信用风险评价模型能精准识别农户信贷数据中的违约样本,使金融机构更合理、高效发放贷款。依据本文研究结论,从建立信用信息共享机制、完善信用评价指标并改进评价方法、提高农户金融素养与金融服务水平、创新金融产品与服务四个方面提出政策建议,以期为我国数字普惠金融的发展与农户信用风险评价提供理论价值与实践意义。