信用社是我国农村金融的中重要组成部分，然而随着我国市场经济的发展，目前主要以农村用户为主体的信用社正在经受着前所未有的金融风险。世界银行的研究表明，信用风险是导致银行破产最主要的原因之一。为此，本文主要借助数据挖掘技术，基于客户信用风险，对信用社客户进行分类，从而为信用社客户的管理提供信息决策基础。本文对基于数据挖掘的信用社客户分类算法的研究主要包括如下几个方面的内容。首先，针对基于BP神经网络的信用社客户分类模型进行研究，并且针对BP神经网络所存在的容易陷入局部最优解、算法的收敛速度较慢以及网络结构设定困难等缺点，结合遗传算法的特点，提出了遗传BP神经网络的概念，并且对遗传BP神经网络模型的设计进行了研究；其次，结合湖南省某信用社的客户资料，结合信用社自身的特点，在对信用社客户风险影响因素进行分析的基础上，通过对客户资料的分析，借助遗传BP神经网络模型将信用社客户评级为良好、一般、合格、不合格、恶化五个等级，实现信用社客户的分类。通过实例证明，本文所研究的基于遗传BP神经网络的信用社客户分类模型具有更好的客户分类效果。本文在国内外学者利用BP神经网络模型进行客户分类的研究基础上，针对单纯使用BP神经网络算法进行客户分类时所存在的不足，借助遗传算法的优点，进行客户分类模型的改进。并且通过实例测试显示，本文所研究的基于遗传BP神经算法的信用社客户分类模型具有较更好的客户分类准确性，能够为信用社客户管理提供更好的方法支持。