信贷风险是商业银行面临的最古老的风险。自银行产生之日起，商业银行就是通过承担信贷风险而获得利润。在我国，绝大部分商业银行的主要收益也依然来自于利差收入。因此在现阶段信以及未来一段时间内，信贷风险我国商业银行所面临的最主要的风险之一。能否有效的实施信贷风险管理也是我国商业银行强化其核心竞争力的重要问题。为达到这一目的，实施信贷风险度量是关键的一步。只有科学客观的度量信贷风险，银行才能在市场中站稳脚跟、谋求发展。 国内外对银行信贷风险度量的研究已经发展多年，近年来经过众多学者的努力和研究，已经开发出很多分析模型。例如CreditMetrics模型、KMV模型、RAROC模型和基于信息技术的信贷等级评估模型等等，它们均是以现代数学和统计学方法，从不同的侧面对信贷风险进行科学客观的度量，而一些国外先进银行已经开始使用这些方法对自身信贷业务进行评估和预测。但就我国目前的情况看，由于我国商业银行改革时间较短，并未建立起有效的信贷风险量化体系，也没有完成全面而准确的授信企业财务指标及相关数据的统计和记录，因此信贷等级评估方法是我国商业银行现阶段应用最为广泛的信贷度量方法。在这一领域内，随着计算机科学技术和网络技术近年来飞速的发展，以其为依托的信贷等级评估方法得到了很大的发展。这类方法通常具有操作人性化、违约预测率高等优点。神经网络系统就是这类评估方法中的代表。以人体神经元的简化和模拟为基础构建的神经网络系统可以无理论障碍的逼近任意非线性函数，并且具有优秀的分类能力和容错能力，这些优点都使得该方法成为现阶段信贷风险评估问题中的热点。而在国内外对信贷风险评估的实证研究，神经网络方法均取得了很好的效果。 鉴于上述背景，本文从信贷风险等级评估方法入手，首先介绍了国内外较常用的信贷等级评估模型，并着重介绍以信息技术为基础的信贷风险度量方法。最终以信息技术为基础，依据较流行的神经网络理论，建立基于BP神经网络算法的信贷风险度量模型，并以我国上市公司的实际数据作为基础数据进行实证研究来检验模型，并对随机选取的上市公司历史数据作出模拟预测。然而在我国商业银行实际应用中，作为一种切实可行的信贷风险分析模型，神经网络依然需要更多的理论研究和银行内部充分的数据支持，因此，本文针对这一点也提出了若干实施神经网络模型的建议。