随着我国金融体制改革进程的加快和国民消费收入水平的大幅提高,个人消费信贷业务得到了快速发展,商业银行个人信用评估的研究也逐步深入。建立个人信用评估系统的核心在于信用评估模型的开发。研究表明用于个人信用评估的组合预测模型或者多分类器系统往往比单一模型体现出更多的优势。建立组合模型前需要先选择用于组合的基分类器,目前多分类器系统的研究开始更多地着眼于分类器选择。本文重点研究了分类器选择方法,建立分类器选择标准和最优基分类器子集搜索算法,在此基础上构建个人信用评估组合模型。首先对现有的多种单一模型进行研究分析,并在此基础上建立基分类器池,其中包含所有可供选择的单一模型;通过研究现有的多种不同的差异性度量方法,建立一种兼顾差异性和分类精度的分类器选择标准;设计适合于本文分类器选择问题的全局搜索算法获得最优的基分类器子集;然后采用两种常用的组合方法即简单投票法和行为知识空间法进行分类器融合;最后,从个人信用评估问题的经济学含义出发,对个人信息指标进行筛选和优化,采用样本数据对建立的组合模型进行验证与分析,检验其在个人信用评估中的效果。结果表明,本文建立的分类精度和差异性结合的分类器选择标准可以在保证多分类器系统精度的同时提高运行效率;采用的最优分类器子集搜索算法能够快速准确搜索到全局最优解;行为知识空间法建立的组合模型分类精度高于投票法,但是其模型复杂度相对较高。另外考虑到个人信用评估问题的特殊性,从经济学意义角度方面规避信贷风险,将误判损失作为分类器选择的另一标准。本文分类器选择方法、最优子集搜索算法及融合方法相关的实验和分析结果可以为后续个人信用评估模型优化和进一步的理论研究提供参考。