人的智慧有一个重要的方面是从实例学习的能力，通过对已知事实的分析总结出规律，预测不能直接观测的事实。在这种学习中，重要的是能够举一反三，即利用学习得到的规律，不但可以较好地解释已知的实例，而且能够对未来的现象或无法预测的现象做出正确的预测和判断。我们把这种能力叫做推广能力。 在统计学研究中，希望能够用预测函数来模拟这种能力，这就是我们所说的基于数据的统计决策问题。大数定理和中心极限定理在解决统计决策问题中起基础性作用，但是传统的统计学所研究的主要是渐近理论，即当样本趋向于无穷多时的统计性质。在现实的问题中，我们所面对的样本数目通常是有限的。虽然人们实际上一直知道这一点，但传统上仍以样本数目无穷多时为假设推导各种算法，希望这样得到的算法在样本较少时也能有较好的表现。然而，相反的情况是很容易出现的。人们对于解决此类问题的努力实际上一直在进行，但大多数工作集中在对已有方法的改进和修正，或者利用启发式设计某些巧妙的算法。在人类迈进一个新世纪时，人们逐渐频繁地接触到一个词，就是“统计学习理论”，这实际上早在20世纪70年代就已经建立了其基本体系地一门理论，它系统研究了统计决策问题，尤其是有限样本情况下的统计决策问题。上世纪九十年代，这一理论框架下产生了“支持向量机”这一新的通用的统计决策方法。 判别分析属于基于数据的决策问题，现有方法的重要基础是传统统计学，前提是有足够多样本，当样本数目有限时难以取得理想的效果。与传统统计学相比，统计学习理论是一种专门研究小样本情况下统计决策问题的理论，它是建立在一套坚实理论基础之上的，为解决有限样本决策问题提供了一个统一的框架，它将很多现有方法纳入其中，同时这一理论基础上发展了一种新的通用判别分析方法——分类支持向量机，并已初步表现出很多优于已有方法的性能。 商业银行作为经营资产的特殊企业，更以其特殊的经营对象、广泛的社会联系和强大的影响力，往往成为风险聚散的焦点，如何正确的评价和分析信贷风险就显得愈加重要。但由于我国进行信贷风险评价起步较晚，信息往往残缺不全，如用传统的风险评价方法很难达到满意的效果。近年来许多学者将神经网络应用与该领域，取得一些成果，但神经网络本质上是一种局部优化方法，又易产生过学习问题。以结构风险最小化原则发展而来的支持向量机克服了这些问题，由于商业银行信贷评价信息不全表现出小样本属性符合支持向量机的应用前提，本文将支持向量机应用于我国商业银行信贷风险的判别分析研究，构建以主成分—支持向量机方法为主体的商业银行信贷风险识别体系，并与传统的判别分析、神经网络模型进行对比，研究结果显示支持向量机模型方法具有客观性、通用性、良好的推广性能等优势，此项研究将对商业银行完善银行信贷风险评价方法体系，及对商业银行防范金融风险、提高资金运作效率具有较强的实践意义。 本文内容包括：引言；一章至四章，最后是总结与展望。第一章介绍了关于统计学习理论的基本原理，其中包括一些重要的概念，包括统计决策理论中预测函数的推广能力，统计学习理论的VC维及结构风险最小化等。 第二章介绍了支持向量的具体算法，其中包括支持向量机在推广能力上的体现，支持向量机的核心部分——核函数的选取以及支持向量机的应用等。 第三章介绍了商业银行贷款风险识别提出的背景、传统风险管理存在的问题、贷款风险识别程序，同时对信贷风险识别系统及常用识别模型作了简要的描述。第四章构建了一套贷款评估指标体系，运用主成分—支持向量机算法进行实证研究，并与判别分析、BP神经网络模型进行比较。 第五章总结与展望