个人信用是商业银行巨大的信用资源,为商业银行提供了大量收入,也具有优化银行的资本结构的作用。个人信用评估是商业银行控制个人信用风险的关键步骤,具有风险识别、风险预测等重要作用,但许多商业银行评估个人信用的方式不够规范,且相关制度不够完善,只凭借业务经验来评价个人信贷客户和潜在客户的现象很常见。本文参考了近年有关个人信用评估的研究成果,认为信用评估体系需要分析借款人的个人财务数据。在大数据时代,传统的分类算法在分析个人财务数据时已经略显吃力,因此有必要引入新的分类算法为个人信用评估提供技术支持。信用评估体系实际上是根据对借款人特征的分析对借款人的信用进行分类的过程,这个过程包括了收集和处理数据、算法选择、特征工程、模型建立、模型评估和改进等一系列工作。随机森林和神经网络是常用于这些分类问题的机器学习算法。深度神经网络模型在分析高维度非线性的数据方面具有明显优势,但也存在高复杂度和低解释性的缺陷。本文采用多粒度级联森林算法,这种算法既高效又具备深度挖掘数据的能力。本文对基学习器为随机森林和极端随机树林的多粒度级联森林模型进行了研究,针对Lending Club的真实场景数据,开展了从数据预处理、特征工程、模型训练和预测的实证研究,结果表明基于多粒度级联森林的信用评估模型具有较高的精确度和稳定性,在个人信用评估方面具有可行性和实用性。