对银行客户的信用评价是否科学可靠、是否健全，关系着银行贷款的成败。因此，借助信用评价模型对企业的信用作出准确评价和客观判断，具有非常重要的实际意义和实用价值。 近年来，已有利用人工神经网络技术对企业失败、企业债券等级、银行客户信用等级进行判别的研究，与多元判别分析模型相比，其结果是令人鼓舞的。在国内，银行对客户的信用等级评定，还处在对企业的某些财务指标进行评价，而后加权平均确定的阶段上，因此迫切需要引入更为科学的方法来确定有效指标，并建立准确的定量模型来解决信用评估问题。针对这种需求，本课题根据我国商业银行的具体情况，利用人工智能技术和专家系统结合，研究我国商业银行的客户信用评估问题。 企业的信用等级的划分是一个十分复杂的问题，企业信用包含众多因素，需要考查企业财务数据定量化方面的原因，也要考查企业领导者素质、市场定位、技术更新水平、国家政策导向、产业规模等定性方面的原因。 因为神经网络适合处理定量的数据，而专家系统适合处理处理定性的数据，本课题我们用神经网络和专家系统分别对企业定量、定性两方面信用风险的成因进行研究，有机、科学地结合两者的的优点，最终得到企业信用等级的综合评价。 课题分为两个部分，本文集中用神经网络研究企业的财务比率对企业信用等级的影响。由于研究的企业涵盖面很广，有轻工业、重工业、贸易业、农业等行业，因此不能对所有的样本统一处理，我们按照企业行业和所有制的不同，并考虑样本数量上的要求，使用合理的方法将企业划分为不同的模式，同时，针对不同的模式建立相应的神经网络模型，实验结果表明划分模式的神经网络提高了信用评级的准确性。 我们还用c++Builder开发了一个人工智能企业信用等级评估的软件系统，用户可以方便地用本软件系统进行企业信用等级的评估。该软件为企业信用等级的评定提供了一个有力的辅助决策工具。