信用风险是商业银行经营管理过程中所面临的最主要的风险形式之一,预防和控制信用风险一直是银行的风险管理的重要目标和任务。对于我国的商业银行而言,企业贷款是其主要的业务。近二十年来,信用风险的管理备受瞩目,主要是源于经济全球化以及金融深化的背景下,信用风险的破坏作用被放大数倍,以致全球经济的剧烈震荡。因此,自上世纪90年代以来,国外不遗余力地开发更为有效的信用风险度量方法,涌现了一批高级的现代信用风险度量模型。随着我国金融市场的逐步放开以及愈来愈多地参与到世界经济事务中,国内银行界有必要在信用风险管理上与国际接轨。然而,直接套用国外先进的信用风险度量方法显然不可取,需要结合我国的实际情况。那么,影响我国上市公司信用风险的因素有哪些?如何考虑这些因素并选择合适的信用风险度量手段?如何结合我国的实际情况来修正模型?这些问题都值得深入研究。本文从当前我国商业银行所面临的严峻的信用风险环境出发,以信用风险的度量模型为主线,归纳整理了现有的信用风险影响因素的研究成果,并以此为基础进行了如下的研究：首先是信用风险影响因素的研究。通过对国内外研究文献进行梳理,归纳了四大类信用风险影响因素：财务因素、市场价值因素、宏观经济因素以及其他因素(如企业特征、产业属性以及非经济因素等),并阐述各类因素对信用风险作用的机理。其次是对不同的信用风险的评估模型进行比较与修正。基于信用风险影响因素的理论分析,将流行的信用风险度量模型分成三类：基于财务因素的计量模型(线性判别模型和Logistic模型)、基于市场价值因素的结构化模型(Merton模型和KMV模型)以及基于宏观经济因素的CPV模型。针对各类模型的优缺点进行比较分析,初步选择Logistic模型和KMV模型作为合适的信用风险度量模型。针对我国的信用市场环境,对这两个模型进行了三处修正：一是构建KMV-Logistic混合模型；二是利用ROC曲线修正KMV模型中的违约点；三是利用ROC曲线修正Logistic模型中的分界点。最后是对修正模型进行实证检验。选取我国沪深两市的23家ST制造业企业及与之规模匹配的23家非ST制造业企业为样本,实证检验模型的应用效果。结果显示混合模型的判定正确率达到87.0%,表明修正后的加入了违约距离的KMV-Logistic混合模型具有较高的应用价值。