风险大小是衡量未来遭受损失的可能性程度。在社会生活中，风险无处不在，大到政治变革，小到天气变化，会给不同的利益集团带来挑战。金融活动中风险预测是一个重要的话题。科技型中小企业（Small and medium-sized enterprise简称SME）信用评级正是对科技型中小企业未来还贷款的能力状况的研究，即对其违约风险进行预测。随着经济社会的不断发展，金融市场越来越活跃，金融活动中风险管理的研究吸引了越来越多的来自计算机科学、金融学、经济学等相关领域专家和学者的关注。科技型中小企业作为市场经济中一支重要的力量，在国民经济发展中的地位越来越突出，在推动产业转型升级、科技创新、提高国际竞争力方面的作用不可或缺。然而，由于我国科技型中小企业自身的特点，以及我国金融行业展还不健全，在风险管理方面经验不足，难以对科技型中小企业真实的信用状况进行评价。金融机构为避免风险，对科技型中小企业惜贷现象严重，致使其融资难的问题尤为突出，阻碍了科技型中小企业的发展壮大。解决这一问题的关键就是建立一套专门针对科技型中小企业信用评级的模型。这一课题的研究在国内刚刚起步，因此具有较高的应用价值和广阔的研究空间。笔者阅读了大量关于企业信用评级的文献，充分研究了机器学习领域分类预测的模型，以及金融方面有关风险管理、风险评级的相关知识。在学习这些相关知识的基础上，笔者首先对影响科技型中小企业信用指标的因素进行选取，然后在信用评级模型搭建方面进行了深入的研究。本文首先介绍了科技型中小企业信用评级的研究现状，分析和总结了目前科技型中小企业信用影响指标因素，并对比分析了信用评级方面应用比较广泛的分类学习算法和模型，发现了这些方法的优点和不足。在前人相关成果的基础上，针对当前模型信用状况预测准确率不高，模型泛化能力不足等特点，在科技型中小企业信用评级方面做了大量的研究工作，并提出了本文的模型框架。本文的研究工作涉及到以下两个方面：（1）由于科技型中小企业信用评级的研究还很少，因此在指标体系建设时，笔者参考了大量的关于中小企业信用影响因素。然后根据科技型中小企业的特点，总结出了影响科技型中小企业信用状况的指标因素，并将其加入到中小企业指标体系中。本文在前人研究的基础上构建了一套影响科技型中小企业信用指标的体系。（2）受集成学习思想的启发，笔者摒弃前人关于信用评级模型搭建的思路，首次将机器学习领域常见的几种同质的学习模型进行并行结合。搭建了一套专门针对科技型中小企业信用评级的评价模型。在笔者提出的科技型中小企业信用评价指标体系的基础上，系统的研究了基于集成学习的科技型中小企业信用评价模型。该模型选取的基本学习机有决策树方法（Decision Tree）[32]、BP神经网络（BP-neural network）、支持向量机（SVM）、线性规划（Linear Regression）、朴素贝叶斯（Na ve Bayesian）分类方法。实证分析阶段笔者验证了该模型的有效性。