P2P网络借贷作为互联网金融市场的重要组成部分,在国内外不断被市场认可并且发展迅速,在缓解小微企业融资难问题中发挥了重要作用,为经济增长注入新的活力。但是,当前P2P网贷平台对借款人的信用风险管理混乱,导致P2P行业爆发式成长的同时,也伴随着大量平台“跑路”的倒闭事件,信用风险问题日趋严峻。通过对P2P网贷平台借款人进行信用评级可以有效提高P2P网贷平台风险管理水平,而借款人信用评级的关键问题就是借款人的信用等级划分研究。因此,解决借款人的信用等级划分对当前的P2P网贷市场信用风险管理具有重要意义。信用等级划分一般是依据信用评分或违约损失率等信息区分借款人的信用等级,与违约损失率相匹配的信用评分确定是信用等级划分的关键。信用评分重点是解决指标筛选和保留指标的组合问题。指标筛选将重点考虑不均衡样本下指标违约区分度的判别问题;在解决保留指标的组合问题研究中,根据对借款客户的违约判别实践发现,与由指标线性组合确定的信用评分相比,由机器学习方法中指标的非线性组合确定的信用评分的违约判别效果更优。此外,已有专家考虑了财务指标（硬信息）与非财务指标（软信息）等对评分结果的不同影响,基于此,本文根据P2P平台中的指标特点,将评价指标划分为离散型指标和连续型指标,研究不同类型的指标对违约判别的不同影响,再根据离散指标评分与违约损失率的关系、连续指标评分与违约损失率的关系,解决与违约损失率相匹配的借款人信用等级划分问题。本文对P2P网贷借款人的信用等级划分问题展开研究,主要工作如下:（1）在不均衡样本下基于Lasso-Logistic筛选指标,构建借款人的信用评分模型。首先,基于Logistic二元回归的Wald统计量筛选具有显著违约判别能力的单个指标;然后,基于欠采样提出不均衡样本处理的优化方案,将非违约样本按照与违约样本的比例随机等比例分割,与违约样本重新组合为多份均衡样本,每一份均衡样本上通过Lasso-Logistic回归筛选具有显著违约判别能力的指标群,保留被筛选出次数大于半数的指标,构建借款人的信用评分指标体系;其次,将指标划分为离散和连续两种指标类型,根据Lasso-Logistic回归系数对指标赋权,通过增加权重约束减少数据变化对指标权重的影响,并对约束后的权重归一化;最后,分别在两种指标类型下,以指标权重的一半大小作为领域半径,构造权重空间,以随机多目标可接受度分析方法（Stochastic Multi-objectives Acceptability Analysis,SMAA）在指标权重空间内随机模拟指标权重,计算借款人的信用评分。（2）基于改进的违约金字塔原理构建信用等级阈值点确定模型。基于信用评分与违约损失率的匹配关系,基于违约损失区分度最大改进“违约损失率随信用等级的升高而降低”的违约金字塔原理,在离散和连续两指标类型下,分别构建确定借款人信用等级阈值点的优化模型,确定两指标类型下的信用等级阈值点。（3）基于SMAA-证据理论集成两指标类型下的信用等级信息,构建新增借款人的信用等级划分模型。首先,分别将SMAA模拟计算的信用评分与相应指标类型下的信用等级阈值点比较,得到借款人在两指标类型下属于各信用等级的概率;然后,利用证据理论（Dempster-Shafe,D-S）合成借款人在两指标类型下属于相同信用等级的概率,得到借款人在各信用等级的概率分布,以概率最大等级作为新增借款人最终的信用等级,并通过对信用划分结果的对比分析验证信用等级划分模型的有效性。本文主要对P2P网贷借款人的信用等级划分问题进行了研究,为信用等级划分问题的相关研究提供了理论方法层面和实际应用层面的借鉴和参考,并为相关研究的扩展和应用奠定了基础。