随着中国经济的不断发展,国民整体消费力上升的同时,信用消费意识不断觉醒。伴随着互联网技术的不断创新,自2006年来,国内互联网金融行业发展迅速。据网贷天眼研究院数据,截至2018年12月31日,我国P2P网贷平台数量累计6591家,其中现处于运营状态的平台仅1609家,因各类问题整改停运平台4982家。部分平台停运是因为自身内部出现了运营问题,在这其中,有一些平台是由于对借款人信用风险管理不善致使平台自身资金链断裂而引起的停运。和向传统银行发起借款申请的借款人不同的是,向互联网金融平台借款的消费者大多存在用钱急迫、在传统银行贷款困难等问题,而在互联网金融平台借款时,借款人大多不需要提供抵押物,从一定程度上来讲,互联网金融平台所面临的借款人违约风险比传统银行所面临的风险大的多。而从互联网金融平台自身的角度来说,平台需要建立自己的一套评估体系和评估方法来对借款人进行风险评估以降低因误判借款人的信用状况导致的坏账风险,对个人信用评估模型的研究刻不容缓。考虑到互联网金融行业个人信贷业务的现状和互联网金融平台所面临的难题,本文提出以支持向量机为基础建立互联网金融个人信用评估模型。本文进一步考虑到支持向量机无法消除因输入向量指标冗余引起的评估误差问题,采用了主成分分析法对输入向量的指标进行了筛选,由于支持向量机分类模型的精度主要依赖于核函数参数的选择,提出了使用具有快速寻优特点的粒子群算法对其参数进行优化。并对优化前后的模型进行了编程实现,进一步结合真实的互联网金融数据对粒子群算法优化前后的支持向量机模型进行了验证。鉴于信用评估过程中第一类误判和第二类误判所引起的后果不同,本文在对模型性能进行对比评价时,除了对比模型精度,还增加了对第一类误判率和第二类误判率的对比。通过将粒子群算法优化前后的模型进行对比实验,表明采用粒子群算法优化的支持向量机模型对比未优化的支持向量机具有更好的评估效果,在分类精度上有明显提升,第二类误判率明显下降。研究表明将PSO用于优化SVM个人信用风险评估模型具有良好的性能,将该模型应用于个人信用评估领域具有较强的现实意义。