个人信用消费是我国当今信贷市场的重要组成,对拉动内需促进经济起到关键作用,但居高不下的不良贷款却成为各金融机构个人信用贷款发放的桎梏,一个切实有效的个人信用评估模型被社会各界热切关注和期盼。然而鉴于个人信用评模型多变量、高噪声、高度非线性问题,使之很难被准确地预测识别。神经网络作为非线性动力学系统,具有高度的非线性全局作用、良好的鲁棒性与强大的自适应自学习能力。理论上,神经网络能以任意精度逼近非线性系统,在解决个人信用评估这类问题上具有特有的优势。误差逆传播神经网络(Error Back-Propagation,BP)是按梯度算法使误差逆向传播修正各层连接权值的神经网络模型,是人工神经网络应用及研究的最精华部分。本文将BP神经网络应用到个人信用评估领域,并对个人信用贷款记录数据进行预处理,进而构建评估指标体系,对个人信用贷款过程中的违约行为进行分类识别,得到较高的识别准确度。针对BP神经网络收敛速度慢、易陷入局部极小值的固有缺陷,通过果蝇优化算法对BP神经网络的初始连接权值和阈值进行全局寻优。经过优化的BP神经网络经验证,其网络性能和个人信用贷款违约行为的识别率都有所提高,有一定的实际应用价值。同时对果蝇优化算法进行改进,引入粒子群算法的速度更新方式以提高寻优能力,引入遗传算法的变异算子以防止其过早收敛,并与粒子群算法的优化效果进行比较,证实优化加强了算法的全局寻优能力,使算法更具实际应用性。