对于现代商业银行来说,风险管理一直是核心的内容和永恒的话题。本文选择目前与我国商业银行信贷业务密切相关的企业信贷风险评估与预测内容进行研究,旨在探索适合我国商业银行应用于企业信用风险度量的方法,以解决银行与企业间信息不对称的问题,一方面能够降低银行信贷评估的成本,促进银行对企业的间接融资量和效率,另一方面为偏重于定性分析企业信贷风险的商业银行提供参考价值,提高银行对企业信贷风险的控制能力,使我国金融体系能够更加稳健发展。本文首先回顾了国内外关于信用风险度量与评估模型的发展历程和研究思路,通过参考国内外已有的研究成果,现有的关于信用风险度量方法的研究大致可分为两大类：一类是基于股票价格对于上市公司的信用风险评估方法研究,另一类是基于商业银行内部客户提供的财务数据对于信贷客户的信用风险方法研究。通过分析本文的研究目的、我国目前的资本市场状况以及商业银行基于股票价格构建企业信贷风险评估模型的不足之处,表明我国商业银行比较适合利用信贷企业提供的财务数据进行风险控制。基于财务数据的信贷风险预测模型研究的核心环节为：预测变量的选取和预测模型的构建,本文以此为本研究的两个切入点,并在这两方面进行深入研究和方法创新。本文采用两家商业银行的内部数据进行实证分析,其中A银行为一家股份制上市银行、B银行为一家国有上市银行。在预测变量的选取方面,本文首先梳理了关于变量选取方法研究的文献综述,选择大部分研究中应用的t检验法,分析其优缺点。在此基础上,本文应用以往研究中使用较少的逐步回归法作为对比,介绍其原理并分析其不足之处。最后,本文利用信息熵理论和数据挖掘方法,引入信息噪音差法作为选取变量的新方法,并对以上方法进行实证研究,结果表明不同银行选取出的构建评估模型的指标有所差异,本文认为不同银行在构建银行内部的信贷风险评估模型时应该根据自身的实际情况选择建模的指标,但本文的实证表明信号噪音差在选择建模指标时相比t检验法和逐步回归法有更好的应用效果和稳定性。在构建预测模型方面,本文首先回顾国外关于信用风险度量的研究成果,分析我国金融现状和部分现代信用风险量化模型在我国现阶段应用的局限性,表明目前我国商业银行较适合运用国外理论和应用上均较成熟的传统统计分析方法,包括判别分析法、logistic回归和probit过程,分别分析上述模型的原理和不足之处。此外,本文引用现代数据挖掘方法,包括决策树、朴素贝叶斯法、信号噪音差与数据结构特征化相结合的方法,其中决策树为intelligent miner系统中用于从大量数据中挖掘信息的方法,本文还将对朴素贝叶斯法进行修正,使我国现有的企业财务数据满足修正后模型的应用条件,最后引用信号噪音差与数据结构特征化相结合的新方法,最后本文创建综合模型,运用“少数服从多数”的原理综合运用所有模型结果。对上述模型进行实证研究后表明不同银行在评估模型的选择上存在差异,其中A银行运用传统统计分析法相对于决策树和修正后的朴素贝叶斯法准确率更高,而B银行样本则更适合运用决策树和修正后的朴素贝叶斯法,但对于两个银行来说,信号噪音差与数据结构特征化相结合的方法以及综合模型均有较好的实证结果,具有实际的应用价值,因此,本文认为不同的银行应根据自身实际情况选择评估模型,而信号噪音差与数据结构特征化法和综合模型可以在银行构建评估模型时提供参考。