我国金融体系结构逐渐完善,并且居民的消费方式产生了巨大转变,人们对信用贷款的需求越来越多,信用风险已经成为影响商业银行稳定发展的主要因素。个人信用评估模型的建立,可以帮助商业银行高效的处理大量信贷申请,提高评估的预测精度。目前常用的个人信用评估模型存在可解释性差,准确率不高以及稳定性差等问题。论文将针对上述问题展开研究,构建一个在各方面都表现良好的模型。客观科学的数据集对建立一个良好的模型起非常重要的作用。针对论文中使用的个人信贷数据,进行数据处理。在个人信用评估模型中,特征指标也对模型的表现有重要的影响,但特征选择的方法的科学化规范化水平有待进一步提高。针对数据特征之间的相关性,论文研究了皮尔逊相关系数算法及其不足,引入了距离相关系数,在此基础上结合XGBoost算法对特征的重要性得分排序,提出了DC-XGBoost特征选择算法。随后,论文对DC-XGBoost特征选择算法进行了仿真实验,与传统的特征选择算法进行对比,DC-XGBoost算法表现出了更优的性能。在上述对数据集的预处理和特征选择上,使用深度森林算法建立个人信用评估模型。通过对原始深度森林中的级联森林进行优化,在每层级联结构中引入GBDT算法,既保障了每层生成的概率向量准确性不变的同时,也增加了学习器的多样性,从而提高模型的预测准确率。随后构建了基于改进的深度森林算法的个人信用评估模型。最终与常用的逻辑回归、随机森林以及深度森林作对比分析,实验结果验证了与原始的深度森林相比,改进后的深度森林算法提高了2.6%的模型预测精度。