信用评级是金融领域的重要研究课题。信用指标选择的合理性和有效性是信用评级的决定因素。如何从大量的企业历史数据中挖掘有用信息，总结并预测企业的信用状况，成为当今银行业所关注的焦点。随着计算机技术的不断发展，许多数据挖掘算法被应用于该领域。企业的信用评级主要是通过基于财务指标的信用特征估计该企业的信用状况，然而企业的财务指标与信用状况之间往往表现出非线性的特征，这为信用评级建模带来了挑战。神经网络较适于描述这种指标间的非线性特征。　　 神经网络方法是一种人工智能的方法，建立在一个简单的数学模型上。在学习过程中，不断地调整统计权重的值，以修正预测误差。它能够从特定模式的大量的数据中发现其潜在的规律。SOM神经网络的主要功能是实现对输入特征向量的聚类，因此它在数据挖掘、模式识别和信号处理领域颇受重视。BP网络是一种基于有监督的学习、使用非线性的可导函数作为传递函数的前馈神经网络。BP神经网络的分类方法在模式识别方面具有很好的性能。　　 本文从企业信用评级基础理论和常用方法出发，将评级问题细化为信用指标的选择问题和数据挖掘中的分类问题。然后参考国内外信用评级研究中提出的各种要素，理解各指标数据项的意义，建立了企业信用指标体系。而后从数据挖掘的角度阐述了神经网络分类的具体过程，并根据企业信用指标体系，将SOM网络聚类方法和BP网络分类方法组合应用于商业银行企业信用评级模型中。模型采用上市公司实际数据作为模型的样本数据，并采用实证研究的方法，将受到ST处理的上市公司数据和新华远东公开信用评级结果作为模型的验证。