小微企业对我国国民经济的发展以及社会的稳定起着至关重要的作用,但因其规模小、经营能力不足,难以从大银行获取融资,普遍存在“融资难”的问题。对于迅速崛起的多家金融投资机构而言,随着传统的大中型企业客户源融资方式的转变,投资机构亟需扩大小微企业市场。然而,小微企业信用风险问题却成为投、融资双方合作的最大阻碍。因此,如何制定出一套科学、有效且适用于小微企业的信用评估方法,对减少投、融资双方合作的阻碍十分有意义。本文围绕小微企业信用评估问题,分别从小微企业信用评估指标体系构建,数据处理与分析,小微企业信用评估方法设计以及评估模型验证四个大的方面进行研究。在构建小微企业信用评估指标体系时,结合小微企业自身特点以及其信用特点,构建了包括企业基本属性、司法信息、纳税情况、偿债能力以及资产负债5个维度34个指标的信用评估指标体系。在进行数据处理与分析时,首先进行了数据预处理,然后使用SMOTE算法处理了样本的不均衡问题,最后使用R型聚类算法对失信预测指标进行了降维。在进行小微企业信用评估时,分失信预测和信用评级两步进行。在失信预测模块,使用基于半监督自训练的Stacking集成策略进行失信预测,并在半监督自训练中融合了KNN、SVM和GBDT三个分类器。实验结果证明,本文提出的融合三个分类器的半监督自训练算法在扩充训练集时效果更好。并且,基于该半监督自训练算法的Stacking集成策略在进行失信预测时准确率、F1值以及AUC值均比单一有监督预测模型高。在信用评级模块,先将失信预测模块中预测出的失信企业定为末级,非失信企业定为非末级。然后,对非末级企业使用主成分分析和熵值法相结合的方法进行信用级别的二次划分。依据样本的特点和经济规律验证了信用评级模型的有效性。本文主要创新点有三个:一是,结合小微企业信用标签缺乏的实际,提出使用半监督算法扩充样本集,解决了以往小微企业信用评估研究中直接使用小样本来训练模型造成的模型泛化能力不足的问题。二是,相较于单一的有监督信用预测模型,提出了基于半监督自训练的Stacking集成策略,并且在半监督自训练中融合了多个分类器,提高了扩充样本的标签质量,也提高了模型预测效果。三是,相较于传统的单一进行信用评级的信用评估研究,本文分两个模块进行综合信用评估。既对企业进行失信预测,又在此基础上进行信用级别划分。通过双重综合评估,能更有效地降低投资风险。