随着2007年金融危机的发生,暴露出银行面临着巨大的信用风险,因此,信用评分的问题吸引了越来越多的关注。银行拥有着大量的客户数据,利用这些数据,信用评分模型可以准确地判断申请人的信用风险。但这些数据往往是高维的,含有一些不相关特征,在机器学习过程中,不相关的特征会降低分类器的准确度,因此特征选择是很有必要的。本文提出了一种基于过滤式方法和多种群遗传算法的两阶段混合式特征选择方法HMPGA。第一阶段,将封装式方法的思想引入到三种过滤式方法当中,从而获得对多种群遗传算法初始种群设定来说重要的先验信息,第二阶段,利用多种群遗传算法的全局寻优和快速收敛的特点来寻找最终的全局最优的特征组合。本文利用UCI数据库的两个真实信用评分数据集,采用SVM作为信用评分分类器,对比了HMPGA、MPGA、GA与三种过滤式方法,验证了HMPGA、MPGA、GA所选取的特征组合分类准确率优于三种过滤式方法。同时,利用非参数Wilcoxon配对符号秩检验,证明了HMPGA方法的分类准确率显著的优于MPGA和GA方法。HMPGA方法不仅在信用评分的特征选择上可以应用,并且,可以应用于其他更多的数据挖掘领域。