随着经济的发展个人生活水平得到了提高,加上国家政策相关的扶持,导致人们的消费观念发生了相应改变,个人贷款已经逐渐与人们的生活变的密不可分。而对银行来说,如何对个人借贷用户进行划分进而决定是否同意其借贷申请是一个很重要的问题。由于个人贷款的金额相对较小,无法对每一笔贷款申请的用户都一直进行跟踪,这样将大大的增加成本。而数据挖掘方法已被认同是处理这类问题的有效的工具。通过建立相关的个人信用评价模型,以信用记录数据为基准,提高用户预测的准确性,大大缩短贷款申请处理时间,同时降低人为因素的影响。本文以决策树方法为主要的建模方法,基于真实的银行信贷交易数据建立个人信用评分模型,利用这一工具对贷款申请人作出信用评价,以期解决个人信贷风险过大的问题。通过实验首先对个人信贷数据中个人信息的各个属性的重要性进行了评估,接着对模型的准确性进行分析,最后对模型的动态生成方法及其可行性进行了验证研究。主要工作如下：(1)通过对相关文献和资料调查与研究,对个人信用评分模型方法行了比较全面系统的研究分析。(2)以German Credit Data为实验数据。并进行了相应的数据预处理工作来为以后的建模工作做准备。接着运用c5.0算法和随机森林算法建立了个人信用评估模型。(3)针对银行个人信贷的业务提出一种随机森林的动态建模方法,阐述了算法思想并对其进行了实现。(4)通过实验结果对所用的银行信贷个人信息的各个数据段的重要性进行分析。并对由C5.0算法与随机森林算法的模型进行性能比较。验证了所实现的随机森林动态生成模型的可行性。