长期以来，信用风险管理一直是国际国内金融界关注的焦点。在西方发达国家，信用风险管理技术已经比较成熟，许多定量技术和支持工具、软件已付诸商业应用，继传统的比例分析之后，统计方法得到了广泛的应用，如判别分析和Logistic回归等。然而，统计分析方法也有其局限之处，尤其是在经济快速发展而信用体系建设滞后的我国，更是难以发挥有效的作用。因此，需要引入新的方法建立模型来解决信用风险评估的问题。 本文首先介绍了信用风险领域的基本概念和研究现状，认真分析了基于统计分析方法的各种信用评估模型，并指出了它们存在的缺点。然后，本文提出采用误差反向传播神经网络模型和自组织映射神经网络模型相结合(BP-SOM)的方法来构建信用风险评估模型，讨论了模型的结构和详细算法，并基于面向对象的方法对模型进行了实现。 另一方面，本文以2005年底沪市交易所公布的上市企业作为研究对象，在对样本进行了预处理后，从中抽取了训练样本集合和测试样本集合。根据企业的财务数据生成六项财务比率作为模型的输入向量，对模型进行了训练和测试，并对模型的性能进行了分析。 在信用风险评估模型的基础之上，本文搭建了信用评估与风险预警原型系统。系统中通过引入规则库的概念，实现了规则的灵活定义和维护，从而提高了系统的通用性。此外，数据接口的设计强调了数据交换，实现了不同格式数据的共享使用。 本文在借鉴西方先进评估预测理论的基础之上，结合我国的实际情况，尝试性地采用人工神经网络技术在信用风险的评估和应用方面进行了探索，以我们设计并实现的BP-SOM模型为支持技术，为用户提供经过分析与预测的输出，为决策者提供灵活、方便、清晰的辅助决策信息。 上述研究成果可应用于银行风险评级预警系统的设计和实现。