知道一个公司的信用情况,对于银行、投资者、相关监管部门而言是很重要的。但是由于我国的信用体系非常不完整,信用评级的应用只限与金融、证券业、企业、政府和个人等领域。目前正处于发展初期阶段,而且在之前的信用评级领域的相关理论研究中,传统的机器学习算法和统计方法应用在信用评级领域已经被广泛研究。本文我们研究的就是建立一个较为成熟,较为实用的上市公司信用评级模型。本文的研究方案选定的就是研究深度学习模型-卷积神经网络在信用评级模型建立方面的重要性、可行性、实用性。由于一般的卷积神经网络是针对二维图片数据,而本文的原始数据集是包括了2922家中国上市公司在2018-09-30的季度财务数据,且本文的各公司的数据都是以一维的数据形式呈现,所以本文提出了一种利用一维卷积神经网络的上市公司信用评级模型,通过相关分析选取公司财务报表中的38个财务指标的作为输入。本文还提出了一种新的基于F分数模型的多分类方法,然后利用这种方法对使用的数据集的每个样本贴上类别标签。实现根据公司现阶段财务情况,对企业公司的信用等级进行一个准确的判定。而且本文对整体网络模型的卷积核大小、CNN层组数等内部参数的选择做了较深入的分析,确定出一个针对信用评级数据集的最优的网络结构。并且在这个最优的网络结构基础上,对一维卷积神经网络进行算法创新创建出一维DF-CNN模型。通过实证分析,一维卷积神经网络对信用数据的分类准确率要高于传统机器学习模型。而且本文创建的一维DF-CNN模型的分类效果要优于常规的一维卷积神经网络。