P2P(Person-to-Person)网络借贷是近年来出现的新兴事物。在网络借贷平台上，借贷双方不需要以银行等传统金融机构为中介，直接通过交易无担保借贷。美国最大P2P网络借贷平台Prosper.com，其超过120万的会员及将近30亿美元交易量为投资分析提供了充分的数据。本文针对P2P网络借贷的特点，从借款人的角度分析借款用途对借款成功率的影响，并建立贝叶斯模型和二部投资网络模型帮助投资者进行投资决策。本文的主要工作及创新点如下:　　从借款人的角度出发，研究网络借贷中借款用途对借贷成功率的影响，以单一变量原则建立数学模型，并使用最小二乘法进行参数估计，回归实证研究表明:同等条件下，学生借款比其它种借款成功率低3.4％，分析其原因发现学生还款率并不比其它的低，因此对学生存在直觉歧视。通过类似的方法，本文还发现用于汽车或者其它方面的债务更容易借到钱。同时，实证研究还得出了其它若干因素，如借款金额、利率等对借款成功率的影响。　　从投资者的角度出发，研究借款人的属性（信用评分、是否有住房、债务收入比）及借款项目的属性（借款金额、利率、借款用途、每月还款金额、投标数目）对还款率的影响。首先利用一年前的数据作为模型训练数据集，通过计算两两属性之间的互信息得出它们之间的关联程度，利用Prim最大生成树算法建立无向图，最后选任意顶点作为根节点并将目标节点作为每个节点的父节点，建立贝叶斯网络。再利用此贝叶斯模型对一年以后的数据进行预测，将预测结果与实际还款情况进行比较。实验结果表明:贝叶斯模型预测还款概率较高的借贷，实际还款概率确实比较高，特别是，预测概率高于90％的借款，实际还款率达到了100％。因此，贝叶斯网络模型通过综合考虑借款人及借款本身的各个属性，能够帮助投资者做出正确的决策。　　P2P网络借贷中，投资人和借款项目形成了一个多对多的二部图网络，投资者和借款项目分别是二部图两边的顶点，每条边的权值为投标金额。本文建立了基于该二部图的评分模型，先利用已知状态的借款项目对投资人进行评分，再用投资人对未知状态的借款项目进行评分，通过这种相互评分，能得到整个二部图网络各结点的分值，实验结果证明:该方法所得分数对投资决策具有重要的参考价值，分值较高的借款项目具有较好的投资价值。