信用风险是商业银行面临的最主要的一种风险。准确地度量信用风险既是商业银行经营管理的内在要求，也是应对《新巴塞尔资本协议》的现实需要。从目前我国的实际情况来看，信用风险度量仍是商业银行信用风险管理的薄弱环节，制约了内部评级法的实施和商业银行的健康发展。为了加强我国商业银行信用风险管理，论文以商业银行信用风险为主要研究对象，以构建信用风险度量模型为核心，在学习和借鉴国内外先进信用风险度量技术的基础上，利用国内样本数据构建了不同的信用风险度量模型，以期为我国商业银行的信用风险管理提供技术支持。论文从商业银行信用风险的特点和成因出发，根据国际和国内最新的信用风险监管要求，介绍了信用风险的内部评级和外部评级，并结合我国实际提出二者协同发展的建议。在比较和分析主要的信用风险度量方法及模型的基础上，以“Z-score”模型为例，对我国直接应用国外的成熟模型的效果进行了实证检验，证实了必须依据国情才能建立适用的模型。经过选择，确定基于会计数据和市场价值的多元判别分析和Logistic回归分析作为构建我国商业银行信用风险度量模型的主要方法。为了建立模型，文章详细介绍了商业银行信用风险度量的财务因素，并分析了信用风险度量要素的选择和降维处理方法，确立了采用逐步选择法筛选变量和主成分分析进行数据降维的思路。然后根据对财务困境的界定和国内的研究习惯，从我国证券市场选取了78家财务正常公司样本和78家财务困境公司样本以及七大类共33个财务比率指标，运用2010年的数据和SPSS软件，构建了一个六变量的逐步判别分析模型和一个四变量的Logit模型。考虑到财务数据的高维性和高相关性特点，在利用主成分分析从18个具有组间显著性差异的指标中提取5个主成分的基础上，构建了一个主成分分析下的判别分析模型和一个主成分分析下的Logit模型。经检验，这四个模型都是有效的模型，且模型都具有一定的超前预测能力。通过比较发现，Logit模型比判别分析模型的准确性高，判别分析模型的稳定性要比Logit模型好。还发现主成分分析能够提高模型的超前预测能力和稳定性，且对Logit模型的作用更为显著。此外，还发现四个模型都具有跟随宏观经济的波动而同向变化的“顺周期性”。在经济上行时，模型均表现宽松，在经济下行期间模型则表现严格。建议通过适当调整临界点改变两类错误率的比例，从而减弱模型的“顺周期性”。研究表明，多元判别分析和Logistic回归分析两种方法仍是有效的信用风险度量方法。主成分分析是有效的数据降维方法。文中所建模型可以用于度量我国商业银行信用风险。