近年来，互联网个人信用贷款的用户日益增多，信贷风险不断扩大。如何构建一个有效的个人信用评估模型，实现精确的个人信用评估成为银行和其他金融机构亟待解决的问题。通常，个人信用贷款数据集具有类别不均衡和特征维度较高的属性，个人信用评估模型基于这样的数据集进行训练，所得到的模型会受到非均衡数据问题和高维特征问题的影响，导致模型的分类准确率低和对违约用户的召回能力低。
　　为解决个人信用评估模型面临的非均衡数据和高维特征问题，构建有效的个人信用评估模型，本文将非均衡数据处理和特征选择引入个人信用评估模型。由于现有的非均衡数据处理和特征选择存在不足，因此本文针对个人信用评估模型面临的非均衡数据问题，结合逆随机下采样策略和“Stacking+Bagging”集成学习模型，提出了基于Stacking逆随机下采样的非均衡数据处理方法；针对个人信用评估模型面临的高维特征问题，结合模拟退火、扰动因子和自适应多邻域多种改进，提出了基于改进型多邻域迭代局部搜索的特征选择方法。本文将提出的基于Stacking逆随机下采样的非均衡数据处理方法和基于改进型多邻域迭代局部搜索的特征选择方法引入个人信用评估模型的构建，提出了基于逆随机下采样的自适应个人信用评估模型，以实现精确的个人信用评估。
　　本文以美国LendingClub平台和欧洲某金融机构的个人信用贷款数据集为背景，进行对比实验，验证了基于Stacking逆随机下采样的非均衡数据处理方法具有较强判别能力的和鲁棒性，能实现更有效的非均衡数据处理；基于改进型多邻域迭代局部搜索的特征选择方法具有更强的全局寻优能力，能实现更优的特征选择；基于逆随机下采样的自适应个人信用评估模型能实现更精确的个人信用评估，对目前金融机构的个人信用评估应用有良好的参考价值。