农户小额贷款旨在解决农户自主经营方面的资金问题，对农村经济的发展和农民生活水平的提高都有着很重要的影响作用。随着我国农村信用社和中国农业银行相继开办农户小额贷款业务，小额信贷如何在我国能够达到可持续发展成为人们关注的重点。农户小额贷款解决了农民贷款难的问题，同时也引发了此类小额信贷较高的不良贷款率。目前，我国所办理的农户小额贷款信用等级评定制度具有很强的主观性，容易导致信用评级不准，风险预估不充分，最终影响贷款能否按期收回。针对农户小额贷款的这一现状，本文以农户小额贷款的信用风险为研究对象，运用BP神经网络，辅以灰色系统和遗传算法建立农户小额贷款的风险评估模型，找到适合小额农贷的风险评估方法，达到从贷款审查源头上控制此类贷款违约风险的目的。　　本论文概述了中国农业银行的农户小额贷款业务发展，综述了国内外在小额信贷风险评估方面的研究成果。在研究农户小额贷款风险影响因素时在文献分析基础上，结合贷款风险的普遍影响因素，同时根据我国农户小额贷款的特殊性，分析了我国农户小额贷款的风险影响因素。根据小额信贷的特性辅以SPSS17.0软件，筛选建立风险影响因素的指标变量，抽取166个调研数据将样本数据分类成训练样本和测试样本，为后续的模型实证研究做铺垫。　　本研究结合定性分析与定量分析的方法，运用BP神经网络建立农户小额贷款风险评估模型，同时分别运用灰色系统和遗传算法优化BP神经网络，分别建立了灰色优化神经网络和遗传算法优化神经网络模型，运用MATLAB7.0实现对三个风险评估模型进行实证分析。通过实证研究建立的BP神经网络模型对测试样本的总体分类准确率为61.57％，灰色优化神经网络模型对测试样本的总体分类准确率为87.1%，遗传算法优化神经网络模型对测试样本的总体分类准确率为71.32%。相对标准BP神经网络，灰色优化神经网络的收敛速度提高了24%，遗传算法优化神经网络的收敛速度提高了96%。经实证分析得出，灰色优化神经网络和遗传算法优化神经网络在网络收敛速度和样本总体分类准确率方面都有较好的表现，证实了两种优化模型在对农户小额贷款风险评估方面有较好的适用性和有效性，为我国农户小额贷款风险评估方法提供了一个新的思路。