个人信用评估是银行等金融机构在消费信贷领域中防范信贷风险的重要工具，分类回归树作为一种基于统计理论、计算机实现的非参数识别技术，在个人信用评估领域有良好的应用前景。本文的研究中心是创新分类回归树在个人信用评估中的应用，利用分类回归树对客户分类变量的选择功能和高分类准确率，对传统个人信用评估模型进行创新和改进。主要创新点有两个：一是利用分类回归树的变量选择功能，将其与参数方法结合起来，建立综合评估模型；二是利用分类回归树的高分类正确率，结合我国信用评分模式，建立一套基于分类回归树的个人信用指标评分体系。为了解决分类回归树模型在个人信用评估中不能对客户产生信用分数或违约概率的缺陷，本文将其与判别方法结合起来建模，最终建立了基于Box-Tidwell变量变换的综合模型(BT-CART-LDA)。该综合模型在实证分析中显示了很好得分类有效性与稳定性。基于分类回归树确定的指标评分体系，是利用分类回归树的正确判断率来量化每个评估指标对信用状况的影响程度，以此量化值为每个评估指标设置不同的评分权重，然后通过定义风险度量值来确定评估指标中各个取值的评分，进而建立了新的指标评分体系。本章最后还实证分析了该指标评分体系的可行性和有效性。