随着中国经济的快速发展，各种个人消费信贷业务的规模迅速扩大。但是，由于目前国内商业银行对零售业务的风险管理水平较低，管理手段与技术方法相对落后，没有形成有效的自动化的基于个人信用评分模型的风险管理体系，这严重阻碍了个人消费信贷业务的发展。因此，开发出一套能够有效降低个人信用风险的信用评分方法，对社会经济的发展具有十分重要的意义。本文建立的个人信用评价混合模型可以有效降低商业银行的个人信用风险，更好地实现银行利润最大化的目标。　　本文首先论述了个人信用评价在银行风险控制过程中的重要性，概述了国内外信用评价指标体系和方法的发展和现状，并对现有的理论研究成果加以总结。然后通过对信用、个人信用、个人信用评价等相关概念内涵的研究，并结合对个人信用的经济学分析，提出了个人信用评价的诸要素，论证了对个人信用进行评价的重要性和必要性，并据此为具体的信用评价提供支撑。接下来在结合个人信用体系构建原则的基础上，参考国内外已有的指标体系，构建了适合我国国情的个人信用评价体系。随后对个人信用评价所用到的样本数据来源进行了分析，并对数据进行了预处理以适应本文建模需要，这些处理方法包括个人信用数据的赋值、数据的标准化、缺失数据的处理以及违约标准的界定等。同时在目前常用的抽样方法中选择合理的方法加以应用，确定样本容量并进行了分组。　　针对精确度与稳健性无法兼顾问题，本文在对混合预测方法的思想和适用性进行分析的基础上，阐述了有关混合预测模型的构建思路，具体包括混合方法在信用评价上的适用性分析，线性混合方法的原理、建立及权重求解，线性混合方法中单一模型的选择，非线性混合方法的原理及建立，非线性混合方法中单一模型的选择以及模型效果的评价标准。这为后面个人信用评价的混合预测模型的应用奠定了基础。　　随后本文将选择的五种单一个人信用评价模型应用于样本，并进行了比较。这五种方法包括基于传统统计理论的Tobit回归、Logistic回归和Probit回归以及人工智能方法中的两种神经网络模型:BP网络和RBF网络。三种统计学方法进行对比，得出Logistic回归的分类效果最好;两种神经网络进行对比，得出BP网络的分类效果最好。统计方法与神经网络进行对比，在分类精度上不如后者，而神经网络的稳健性不如前者。在实际的应用当中，应当从模型的分类效果以及稳健性两方面来考虑。　　最后本文将混合预测模型应用于个人信用评价，分别建立了基于三种统计方法的线性混合预测模型，基于Logistic回归和BP神经网络的非线性混合预测模型，同时将两种混合模型与统计模型、神经网络模型在分类精度、误判率和稳健性上进行了比较。从总体上来说，混合预测模型比单一模型在分类精度以及模型稳健性方面具有优势。混合模型之间比较的结果是，在分类精度上:非线性混合模型比线性混合模型效果好;稳健性的比较上，线性混合模型比非线性混合模型效果好。在实践中，可以通过不同的混合方式来实现分类精度以及模型稳健性二者的最优结合。　　通过研究发现，统计模型在分类精确度方面不如神经网络模型，但神经网络模型在稳健型性方面较统计模型差。混合预测模型比单一模型在分类精确度以及模型稳健性方面均具有优势。而综合模型之间比较的结果，综合考虑分类精确度以及稳健性发现:首先，非线性混合模型比线性混合预测模型的分类效果上好，其次，在稳健性方面logistic模型是最好的，最后，在两个混合模型稳健性的比较上，线性混合的稳健性更好。通过研究可以看出，非线性混合预测模型显然是目前较好的个人信用评价方法，但是在不同非线性混合预测模型选择方面，模型的精度提高是以降低稳健性为代价的，反之亦然。对于同一的模型，如果能实现高精度，其稳健性就会相对较差。在实际应用中，要根据研究对象的实际情况，选择恰当的方法，实现精度和稳健性的合理统一。