中国是农业大国,政府一直高度重视农村经济发展,推出了“三农”贷款和扶贫贷款等许多惠农政策。金融机构在为农民提供农业贷款时,由于贷款农户抗风险能力不足,经常出现农户的信用风险和银行的操作风险,从而导致农村商业信贷和扶贫贷款陷入僵局。针对商业银行目前使用传统方法对农村信贷和扶贫贷款风险预测,导致的不良贷款率增多、放款慢等问题。本着为商业银行提供在涉农贷款和扶贫贷款上更加精准有效的决策依据的原则,本文主要开展以下工作:（1）通过对邮储银行平江县支行的农村商业信贷和扶贫贷款的历史数据进行统计分析,采用SPSS软件对预处理后的数据进行标准化处理,在主成分分析与部分相关性分析基础上,实现对预测数据的准确筛选。基于支持向量机,依照银行贷款的五级分类法,构建了基于五级分类法的农村商业信贷风险预测评估模型和基于支持向量机SVM（Support Vector Machine）的扶贫贷款预测模型。（2）从邮储银行平江县支行随机提取了100组农村商业信贷和50组扶贫贷款客户的历史数据,将这些数据进行预处理。100组农村信贷数据结合银行信贷的相关公式,计算出模型所需的相应数据。50组扶贫贷款客户中,将没有具体数值的数据进行数字编序,以方便进行数据标准化处理。（3）将标准化处理的贷款数据在基于五级分类法的SVM农村商业信贷风险评估模型与BP神经网络模型进行了对比实验,实验表明,SVM农村商业信贷风险预测评估模型在训练时间上最快提升了6秒,预测时间上最快提升了0.3秒,预测精度最高提升了11.01%,在良好贷款中的错误率,SVM比BP神经网络降低0.28%,不良贷款低1.9%。表明SVM农村商业信贷风险预测评估模型比BP神经网络模型更适用于银行农村商业贷款风险预测。在扶贫贷款客户的预测模型中,SVM也有较好的表现,最高准确率可达到95.73%,与历史数据只相差4.27%,说明本文建立的扶贫贷款客户预测模型也适用于银行的扶贫贷款客户预测,为银行高效筛选出高质量的客户提供了参考依据。本文研究对银行信贷风险评估以及扶贫贷款客户预测具有现实意义。