信用风险是金融领域的重要研究课题,加强商业银行信用风险管理既是完善社会主义市场经济的客观要求,也是与国际接轨,应对新巴塞尔资本协议的现实要求。近年来,随着信用经济规模的不断扩大、信用衍生工具的大量使用,尤其是去年全球金融危机的爆发,信用风险再一次成为国际学术界关注的焦点。本文采用规范研究与实证研究相结合的方法对信用风险管理中最为重要的信用风险评估方法进行了深入研究。分析了不同信用风险评估方法的特点,指出了现有评估模型的缺陷,提出了用数据挖掘中决策树技术建立信用风险评估模型的基本思想。主要研究成果概括为:第一,针对信用风险研究中财务数据的连续性特征,首先证明了关于以正规增益为评价标准的切点与边界点属性值关系的定理,并以此为基础提出了基于边界点属性值合并和不一致度检验的离散化算法。该方法打破了传统连续属性离散化遍历搜索的思路,在保证效率的基础上显著提高了离散效果。第二,分析了传统决策树方法在信用风险评估中存在的局限,提出了组合优化和多层解析两种全新的决策树算法。前者从数据的离散化,降维,和属性选择方面有效的解决了处理大规模高维数据库时的效率与精度之间的矛盾。后者则运用分解预测的多分类器思想,解决了多类别间数据叠加造成的噪音放大问题,分类效果和效率较普通方法有了极大的提高。第三,基于我国上市公司的二分类和多分类样本,以及德国个人信用数据,分别构建了基于组合优化以及多层解析决策树的信用风险评估模型,并给出了可供实际操作的算法程序。通过与其他模型的评估结果进行比较分析,证实了本文所提出的模型在信用风险评估中具有显著的优势。第四,在上述理论成果的基础上,对集成式信用评估系统进行了流程设计,并对各个模块的结构、功能和界面设计进行了深入研究,给出了详细的信用风险智能辅助分析系统设计方案。