“三农”问题是立国之本,是实现小康目标的关键,解决“三农”问题的重要途径之一便是开展农户信贷。21世纪以来,农村经济的发展伴随着农村信贷需求的日益增长,使得农户信贷逐渐在支持农村金融、促进农户增收、发展特色小镇和减小城乡差距等方面起到了至关重要的作用。农户信贷本质上是一种提供贷款服务,有借必有还,在农村风控监督体系不够完善的情况下,农户信用违约状况时有发生,如何切实有效地控制农户个体的信贷风险,评估农户个体的信用状况成为当务之急。针对农户信贷问题,目前的农村金融机构采取的风控措施仍然不够理想,本文基于这一情况建立了一套新的信贷风险评估机制,以期优化改善信贷金融机构的管理体系,为农村信贷金融环境的稳定性和风险的可控性提供解决方案。当前用于农户小额信贷风险评估的技术方法也并不少见,尤其是农村地区,常用的还是专家主观评判法和统计判别法,诸如Logistic回归模型和Probit回归模型等。随着数据时代人工智能技术的引进,近年来逐渐出现了BP神经网络、遗传算法、聚类算法和支持向量机等方法。这些诸多方法的其中之一便是随机森林,随机森林方法当前主要应用于目标特征提取、图像识别和信号处理等工科领域,本文突破性的将其用于金融领域的信贷风险评估,同时为了提高预测精度,本文利用AdaBoost算法进行强化,构建了一种AdaBoost-随机森林强分类器模型。本文首先从农户小额信贷风险评估理论出发,描述了农户小额信贷风险的特征与分类、农户小额信贷的发展历程和当前在信贷风险评估领域应用比较广泛的BP神经网络等技术模型,并通过MATLAB编程构建了AdaBoost-随机森林理论模型。然后本文进行了实证检验,分析了A省信贷风险的影响因素,建立了合理的指标体系,运用ROC曲线和AUC值对A省B地区的调研数据进行实证评估,并将AdaBoost-随机森林的实证结果与随机森林和BP神经网络的实证结果进行对比。最后本文给出了实证结论和展望,AdaBoost-随机森林预测精度达到88.75%,比单一的随机森林模型的预测精度提高了19.50个百分点,比BP神经网络模型提高了16.83个百分点。