在经济发展的推动下,按揭、信用卡等交易成为了市场交易的主要方式。银行作为信用交易的垫付方,如何有效的掌握个人信用情况、避免银行利益损失是至关重要的。为了更为准确的判断个人信用的好坏,推测其还款能力,对个人信用等级的评估问题的研究成为学术研究的一个重点问题。传统的个人信用等级评估需要对各种影响信用的因素进行一一设定分数后加和,处理过程复杂、耗时长又不能保证其准确度。计算机技术的发展,将分类算法应用到个人信用等级评估的问题中,很好的解决了传统方法存在的不足。目前应用于个人信用评估系统的方法有很多,但是大多数分类方法在应用过程中都或多或少的存在问题,如:速度过慢,分类结果不准确。另外,地方差异性也导致无法确切的用统一的方法对个人信用进行评估。支持向量机(Support Vector Machine,SVM)作为一种机器学习方法,是在统计学理论基础上建立的,其算法可以提高泛化能力,根据结构风险最小化的原则,求解局部最优解。在处理分类问题中较为适用。而个人信用等级评估正是等级的分类问题,因此如果将支持向量机更好的应用于个人信用评估系统是解决问题的一个很好的思路。个人信用等级评估属于非线性的分类问题。针对这一特点,本文运用支持向量机的相关知识原理以解决这类问题。但单纯使用支持向量机一种技术方法不能完美的解决存在的各类问题,因此本文在此基础上对技术方法进行改进。将主成分分析法应用在多维信息的提取上,对数据进行处理分类和编码,通过特征提取技术来提高支持向量机的训练时间和分类精度。然后再对不同核函数进行实验比较,发现通过将两个或多个核函数组合后效果明显好于单一的核函数。因此建立主成分分析和混合核函数结合的支持向量机模型可以有效地解决对非线性分类问题。实验研究表明,通过支持向量机的优化和求解,将已经知道结果的数据进行重新分类,得出的结果与之前的人工分类结果相近,同时人工干预更小,速度更快。本文在个人信用等级评估方面取得了一定的进步,将理论研究应用到区域性银行信贷工作中,对实际工作有一定的辅助和指导作用。