中国目前处于社会主义市场经济制度的转型期,市场经济得到了飞速发展,但与此相适应的社会信用制度体系建设却远远没有跟上步伐。个人信用评估是建设社会信用体系的一个重要环节,其预测精度和有效性直接关系到信贷机构的损益和金融市场的繁荣。由于个人信用体系的不完善、法律法规的不健全以及商业银行本身的管理缺陷,我国个人信贷的发展收到了严重的制约。因此,建立一套完善的个人信用评估体系已经成为当前金融机构面临的一项重要任务。决策树算法作为数据挖掘体系中的一项重要分类预测方法,有着简单、高效、结构清晰等优点。而作为目前公认预测精准度最高的神经网络方法则因其黑箱性和不稳定性为众多学者所诟病。本文以互联网上获取的德国某商业银行的真实客户信用数据为样本,采用基于C5.0算法的决策树模型,经过数据采集、属性指标确值、训练样本抽取,建立了个人信用评估初始决策树。然后,通过调整决策树的修剪程度、确定最佳成本矩阵、寻求最佳Boosting迭代次数确立最优决策树的相关参数,形成最优决策树。将最优决策树提取出来的重要性排序较高的指标输入神经网络,最终输出分类结果。从模型的预测结果及其与单一神经网络对比分析的情况来看,本文将决策树模型用作挑选指标,利用其基于信息熵增益率的分类原理增强神经网络模型的可解释性,并通过去除部分非重要指标对神经网络的干扰,使其稳定性和精准度得到明显改善。该组合模型在实际应用中对于商业银行的信贷人员的贷款决策具有一定的指导性作用,能够为信贷提供支持。