近年来，随着消费观念的转变以及互联网金融的蓬勃发展，中国在线信贷业务日趋增多，个人信用贷款数据呈现爆发式累积，用户违约概率不断攀升，个人贷款的风险也渐渐显露出来。此时，就需要建立高精度的个人信用评分模型，对借款者进行真实可靠的信用评估，从而对危险的贷款申请做出预警。值得一提的是，在真实的金融信贷场景中，获得信用贷款的往往是信用评分较高的优质客户，其未来的还款行为可以被观测到，那些信用评分较差的被拒绝客户的未来还款情况却无从得知，使得在构建信用评分模型时常常抛弃拒绝样本只利用接受样本来建模。然而，放款机构面临的客群却是未来所有贷款者构成的总体，即入门总体，显然接受样本并不能代表入门总体样本。这种由于剔除了还款行为不能被观测到的被拒绝客户数据，所产生的训练样本选择性偏差会导致模型参数估计有偏，从而影响信用评分模型的精确度和信贷决策的有效性。由此，如何推断那些曾经被拒绝的贷款人的履约违约状况并贴上类别标签将其融入到建模样本中来，就是信用评分领域中一直难以解决的拒绝推断问题。
　　本文基于人工智能前沿技术，引入适应大数据集的集成学习算法（Bagging并行训练决策树得到的随机森林（RF）算法、Boosting串行训练决策树得到的梯度提升决策树（GBDT）算法、改进GDBT算法后得到的极端梯度提升树（XGBoost）算法以及Stacking异质集成学习框架）构建个人信用评分模型，并结合统计上的硬截止法来做拒绝推断。此外，针对硬截止法在临界概率值的选取上过于简单粗暴，且无法解决信贷数据集中样本类别分布不平衡问题的这两点缺陷，本文又提出了DBTS半监督学习技术来对硬截止法做出改进。因此，本文的研究内容主要是构建了一种非拒绝推断个人信用评分模型和两种拒绝推断个人信用评分模型（硬截止法下的拒绝推断个人信用评分模型和DBTS半监督学习下的拒绝推断个人信用评分模型），并在融360平台10万用户贷款数据集上进行了实证研究以及模型的双维度三视角多指标对比分析。结果证明，能否顺利的解决信贷领域中的拒绝推断问题，离不开有效的拒绝推断技术和优质的分类模型，本文提供的有效的拒绝推断技术是DBTS半监督学习框架，优质的分类器是Stacking异质集成学习算法。