信用卡作为一种现代生活中全新的消费理念和全新的支付手段,已经成为了许多银行争相推出的产品。银行信用卡给银行带来可观的利润的同时也存在着相当大的风险。银行业需要将信用卡的“风险”控制在审批环节上。早期银行审批模式是风险评估专家凭借经验对新客户的资料信息进行审查,后来银行开始借助统计手段和评估专家来对信用卡客户进行审批,前者的审批模式带有主观性,后者根本满足不了越来越复杂的客户信息。银行是信用卡风险的最大承担者,高利润往往与高风险共存。银行在信用卡审批时需要关心如何从大量的客户申请资料中挖掘出风险客户、如何将银行的风险控制到最小、如何在规避风险的前提下获取最大的利润等问题。智能决策支持技术现在已经被广泛应用到商务处理系统中,基于数据挖掘的智能决策支持系统是目前研究的一大热点。针对上述信用卡审批中出现的各种问题,本文以数据挖掘为研究内容,从两方面对信用卡审批系统进行研究。本文的主要工作有：一、数据挖掘的分类算法。通过阅读大量相关文献,研究数据挖掘的分类算法,掌握数据挖掘的分类算法并对其分类模型的分类效果进行研究。二、比较分类算法对银行数据的分类效果。利用公开的数据挖掘系统Weka作为实验环境,以中行搜集的数据集为研究对象,找出一种适合于中行信用卡审批系统的分类模型机算法。实验结果表明,朴素贝叶斯分类模型不论从建模时间还是分类准确率上都优于其他分类模型,朴素贝叶斯分类模型在建模时间上比决策树J48算法缩短了0.04s,比支持向量机分类模型缩短了0.3s。三、根据实验结果,将朴素贝叶斯分类模型应用于指导银行在审批时判断风险客户。通过建立专业的判断风险客户的朴素贝叶斯分类模型,充分利用银行以往信用卡客户的先验知识,指导银行根据自己的需求和利益来判断客户类型。