在市场经济高速发展的时代,个人信用作为个人提前消费的必要前提,在扩大内需,刺激金融信贷业发展方面都起着至关重要的作用。不仅如此,个人信用作为一种个人行为的承载体,也逐渐被认可为是一种提升个人道德、维持经济秩序和社会秩序的必要手段。个人信用评估的重要性可见一斑。然而在西方个人信用评估体系已步入专业化甚至产业化阶段之时,我国个人信用评估体系的建设才刚刚起步。在个人消费信贷的发展过程中,面对的主要问题之一就是个人信用风险难以评估和控制。而近几十年来各商业银行将消费信贷业务作为其发展战略的重要组成部分,这就使个人信用评估方法的研究变得尤为关键。鉴于大多数构建个人信用评估模型的相关研究仅考虑到模型的精确度,本文从更系统的角度,从精确度、稳健性、时间复杂度和可解释性四个方面,重点研究了个人信用评估定量化模型。首先参考国外经验构建个人信用评估指标体系,结合样本数据进行初步分析。在数据预处理后,以Logistic回归模型对样本数据进行建模,利用Logistic模型的回归结果,对统计上显著的个人信用评估指标进行了更深入的解释。针对目前应用最为普遍的BP神经网络容易造成不收敛且耗时过长的问题,分别以Boosting算法和改进后的LMBP (ILMBP)算法对之进行优化。经过优化后的神经网络在个人信用样本数据上取得了预测精度的提升。通过对以上单一模型的适用性分析,提出基于熵权法的Logistic-ILMBP组合模型。最后将个人信用样本数据的评估结果进行了比较和分析。研究结果表明,BP神经网络所提出的两种改进办法均能有效提高分类准确度,但改进后的LMBP (ILMBP)算法在性能和效率上具有更大的优势,因此也就更具实际应用价值。而基于熵权法的Logistic-ILMBP组合模型,结合了神经网络模型的高分类精度和Logistic回归模型的稳健性,其一类误判率和二类误判率较两种单一模型均有降低；并且计算简单,由于在权重计算中使用了信息熵的原理,易于解释。在我国个人信用评估模型定量化的发展初期,还面临信用数据不完整等问题,Logistic-ILMBP组合模型既可以达到较高分类精确度,同时具有良好的可推广性,对个人信用评估机构和决策机构具有实际可行的意义。