市场经济本质上是信用经济，信用是金融体制的基石，是市场经济正常运转的保证，完善的信用体系是企业正常经营和国民经济健康运行的基本保证。然而随着市场经济的不断发展，社会出现信用缺失的现象屡见不鲜，信用危机引发的一系列问题已经成为制约我国经济发展的主要障碍之一。因此加快建立起适应我国经济发展需要的有效信用管理体系已经刻不容缓，其中做好这些工作的关键在于对企业进行有效的信用评估。近年来，学者将神经网络、支持向量机等智能模型逐渐应用于企业信用评估领域，并取得了可喜的成果。但是前人的研究着重于智能评估模型的建立，对于信用评估指标体系的选定并未作充分的探讨，本文在前人研究的基础上对其进一步分析研究，基于科学合理的指标选择原则，综合考虑各个因素来构建信用评估指标体系。由于核主成分分析是在主成分分析基础上发展起来的是一种有效处理非线性问题的特征提取方法，因此本文在建模的过程中利用核主成分分析对所构建的指标体系进行特征提取，从而能够有效地克服指标个数过多或指标之间的相关性对模型评估性能的影响。支持向量机是基于统计学习理论的一种新型机器学习方法，凭借其卓越的性能和良好的泛化能力，已经广泛应用于各个领域，并且取得不错的效果。传统的支持向量机一般只能解决二值分类问题，然而在实际应用中多类分类问题更为普遍，本文所研究的企业信用评估问题也属于多分类领域，因此需要采取某种组合策略将二值支持向量机推广到多类分类支持向量机。由于二叉树多类支持向量机能够有效地克服以往多类支持向量机算法中训练和测试时间长以及精度不理想的缺陷，因此本文拟采用该算法对企业信用进行评估。其中二叉树多类支持向量机中决策树上各结点的支持向量机参数选择是否合适直接决定着所构建模型的性能，从而影响着评估的结果。混沌粒子群算法解决了粒子群算法易陷入局部极小值问题，能够有效提高支持向量机的训练和测试精度，性能要明显好用其他参数选择算法，因此本文利用混沌粒子群算法来自动优化选择其中的参数，然后将参数优化选择后的二叉树多类支持向量机结合核主成分分析应用于企业信用评估，取得了不错的评估效果。