小微企业为了获得发展所需的资金,通常需要向银行贷款。随着计算机技术地进步,传统的线下贷款逐渐被网络贷款所取代。用户信用评级和风险预测一直是网络贷款流程中关键的环节,但同时也存在着一些问题。第一,用户数据的质量不高,弱可用问题普遍存在,无法保证数据的真实性;第二,缺乏面向用户信用等级的科学评判分级体系,无法体现评判结果的客观性;第三,用户贷款风险的预测过程不能有效地利用定性信用指标,无法确保预测结果的可靠性。为了获得更加客观、可靠的用户信用等级评估结果和用户贷款风险预测结果。本文采用“混合插补法”对存在弱可用现象的用户数据进行修复,即针对不同缺失率情况的数据采用不同的处理方法;由于用户数据的信息量较大,如果逐一对用户进行信用等级划分,不仅效率低,而且结果不客观。本文提出利用多任务学习思想对用户基本信用等级进行评估,此方法利用多个信用等级之间的共享结构关系,构造训练网络实现用户的信用评级;同时结合用户的信用初始等级,采用模糊Logistic回归方法预测用户的违约风险。本文的主要贡献是:(1)提出了“混合插补算法”用来补全用户信用缺失的数据。(2)提出利用多任务学习模型评估用户信用等级。(3)提出使用李克特量表对定性信用指标进行量化,并利用三角模糊数对量化的信用指标进行模糊化处理;构建模糊Logistic回归模型预测用户发生违约的概率。最后,设计实现了一个小微信用贷款系统,并通过实验验证了提出方法的可行性和有效性。