从世界经济发展的历程来看，中小企业一直是各国经济发展的驱动力量。至2009年，我国注册的中小企业已达到1042.74万户，占全国企业总数的99.8%以上，工业产值占我国GDP的六成以上，但是中小企业融资难的问题仍然是制约其发展的主要因素。而融资难从根本上来说是中小企业与银行之间的信息不对称。如何合理的评估中小企业的信用状况对于解决融资难问题起着关键性作用。本文通过分析中小企业的特点和信用现状，结合现有的企业信用评估方法，对比分析了各类信用评估方法对于中小企业的适用性，认为专家评分法主观性过强，在评估过程中评估专员会因其自身的知识结构偏差而导致选择偏差；传统的线性信用评分模型由于对于数据要求苛刻，而中小企业相对数据缺失，财务状况不透明，因此不具有广泛的适用性；以Merton为基础的KMV等模型需要建立在大量的有效市场信息之上，而中小企业上市时间过短，违约距离难以测算；而中小企业关联方过多的现象也使credit risk+表现不佳。而新兴的机器学习类方法由于其对样本数据要求不高，自学习能力强，能够有效的适用于中小企业信用评估。接着，本文讨论了邻域粗糙集和支持向量机的运作原理和具体算法，并对两者的优缺点进行了对比，分析了组合优势，构建了邻域粗糙集-支持向量机的组合模型。首先在建立中小企业信用评价指标体系过程中，引入邻域粗糙集理论对指标进行属性约减，客观的对指标进行了筛选。然后将约减后的指标作为支持向量机的输入进行分类预测。最后，本文使用2008年至2009年的中小板上市企业数据对模型进行实证研究。结果表明：与单一支持向量机相比，组合模型能有效删除冗余指标，与传统信用评分模型相比，NRS-SVM能更好的适应中小企业信用评估。