随着经济的发展,金融危机此起彼伏,信用风险受到了各国银行和投资者前所未有的关注。信用风险的度量作为银行信用风险管理的核心问题也成了国内外众多学者研究的重点和热点。虽然,目前国际学术界有关这方面的研究很多,但是在理论和应用方面尚不成熟,所以需要进一步的深化研究。 本文从商业银行的角度,研究贷款企业信用评估的方法与应用问题。 首先,阐述了商业银行信用风险评估体系、商业银行的主要业务、贷款业务程序以及该体系存在的问题。 接下来阐述了智能计算技术的理论基础,包括人工神经网络、模糊逻辑系统和遗传算法的相关理论。 然后,在商业银行指标体系的选取原则之上,分析了商业银行风险评估的财务指标体系和非财务指标体系,并结合实际建立了适合本文研究需要的指标体系。 然后,建立了具有六层的模糊神经网络模型,并在传统的BP算法基础上引入遗传算法来实现神经网络的参数训练。 最后,利用matlab进行训练和仿真,并通过三种模型的比较验证了该模型的有效性和优越性。 本文选取了100家上市公司2006年的财务数据和相关信息作为建模样本,然后随机选择了其中19家ST公司和61家非ST公司作为训练样本；4家ST公司和16家非ST公司作为测试样本数。数据经过预处理和因子分析后,输入模型得到实验结果。最后,运用多元线性回归模型和传统的BP神经网络模型分别对信用风险进行评估,并分析了三种模型的评估准确度。 结果表明,多元线性回归对非线性、非正态分布的数据处理能力较弱,对信用风险的评估准确度较低,准确率为64％；传统的BP神经网络的拟合度很好,但是预测能力较弱,准确度为79％；而基于遗传进化型的模糊神经网络模型的预测精度最高,为81％。 由此可见,通过多种智能计算技术的有机结合而建立起来的基于遗传进化型的模糊神经网络模型更适合用于信用风险评估,更能够为商业银行提供科学、有效的的信用风险度量方法。