伴随着我国的经济实力快速发展和人们的消费水平的提高,越来越多的人开始追求高质量的生活水平。为了达到自己心中的理想生活状态,大部分人会选择向借贷公司或者商业银行申请贷款,申请贷款人关心自己目前的条件是否可以得到贷款批准,而借贷公司或者商业银行会根据贷款人的目前条件来进行评价,由此给出借款人可以贷款的具体额度。而如何准确的给出借款人的信用评价,是各个借贷公司一直以来视为核心的问题。因此,建立一个有效并准确率高的个人信用评价模型对每一个借贷公司有着重要意义。为了更好的对特征较多的贷款数据进行特征筛选处理,本文研究了经典的过滤式选择算法和包裹式特征选择算法LVW算法,并在LVW算法的基础上结合了过滤式选择算法的特点,对LVW算法进行修改,使其在面对数量众多的特征时也能够较好的筛选出对模型有利的特征子集。随后本文利用真实数据来对修改后的LVW算法进行测试,测试的结果表明修改过后的LVW算法具有较好的筛选特征能力。本文采用了真实的网贷平台的个人网贷信用数据,在进行数据预处理时,首先删除缺失值超过90%的指标,采用均值插补法和众数法对缺失值进行填补,对数据进行离散化之后采用one-hot方法对离散化后的数据进行编码。之后根据数据特点,搭建一个神经网络。在搭建过程中,在借鉴了Alexnet神经网络的优点和之前的学者搭建神经网络的思路并考虑了神经网络的不同功能层对数据的处理方式之后,决定主要使用卷积层和池化层,并在这两个层之间加入BN层和dropout层,将搭建好的这个神经网络作为最终的学习器。随后基于修改后的LVW算法进行特征选择并代入搭建好的神经网络模型,使用该模型的性能作为特征子集的评价准则。在确定好最终的特征体系后接着对模型进行进一步的微调。本文建立了一个四层的BP神经网络作为比较,通过对网贷平台的真实数据采用这两个模型进行实证分析,结果表明,新搭建的卷积神经网络相比BP神经网络有着参数少,训练时间短等优点,能够较好的拟合数据量大的贷款人数据。