自2018年12月的中央经济工作会议首次提到新型基础设施建设以来（以下简称“新基建”）,新基建概念就成为了全社会炙手可热的话题。原本处在经济结构转型与贸易战双重压力下的中国经济又遭遇新冠疫情冲击,新基建被寄予对抗经济下行风险,推动全社会实现产业转型升级的厚望。然而近年来新基建上市公司发生信用违约的数量呈逐年上升的趋势,并且面临着因投资过量、技术水平有限、监管不到位等问题而引发的一系列信用风险。通过建立科学的信用评价模型对新基建上市公司进行信用风险评估不仅可以加强企业自身预警并优化投资者的资产组合,还可以促使政府推进新基建上市公司有序和平稳地发展。基于此,提出研究问题:如何科学地评价我国新基建上市公司的信用风险水平。本文从我国A股新基建上市公司信用违约问题入手,以同花顺i Find数据库和国泰安数据库作为研究问题的数据来源。主要从理论分析、信用风险特征分析、实证研究三个部分对新基建上市公司的信用评价做了研究。理论部分主要从企业信用风险的角度来进行阐述,描述了企业信用风险的成因及传导机制。依托文献和理论,再对新基建上市公司的信用风险特征进行分析,并总结出新基建上市公司存在的五大信用风险。在实证研究中,本文以新基建上市公司为例,综合考虑多重因素对新基建上市公司信用的影响,提取出29个可能与新基建上市公司信用预测有关的变量,对比当前主流的机器学习算法,运用了随机森林的模型,对新基建上市公司的信用风险进行评估。实证部主要分为三个步骤,首先利用随机森林模型中的OOB误差率和基尼系数法从一共29个候选指标中筛选出18个重要性排在前面的指标。接着先后通过SMOTE算法和网格搜索法分别对数据和模型进行优化,并将优化后的随机森林模型中特征变量的重要性进行排序。最后将优化的SMOTE-RF模型与SVM模型、逻辑回归模型、CART模型进行比较分析。研究发现:（1）新基建上市公司目前面临着投资过度、筹资渠道单一、营运资金不足、公司治理结构不当、技术水平有限的五大风险。（2）对新基建上市公司信用风险影响较大的因素包括专利数、每股收益和总资产周转率等18个指标,其中重要程度排在前三位的依次是专利数,每股收益和总资产周转率,重要程度靠后的三个指标依次是固定资产周转率、营业收入现金净含量、现金营运指数。（3）从模型优化前后的对比结果来看,优化后的SMOTE-RF模型预测准确率高达90.91%,要好于优化前的SMOTE-RF模型,且优化前的SMOTE-RF模型预测准确率高于RF模型。说明SOMTE算法和网格法是有效提高预测准确率的方法。（4）对比不同模型发现,优化参数后的SMOTE-RF模型预测准确率好于SVM模型、逻辑回归模型、CART模型,模型性能从优至劣依次为:SMOTE-RF模型、SVM模型、CART模型、逻辑回归模型（AUC值:0.91、0.82、0.79、0.74）。本文的贡献主要在于:现有文献在对上市公司进行信用评价研究时,更多考虑的是选取财务指标和运用传统的信用评价模型。本文则在对新基建上市公司信用风险特征分析的基础上,创新地结合了财务与非财务指标,运用改进的随机森林模型对新基建上市公司的信用风险进行了评估。这不仅提升了信用评价指标体系的全面性,也提高了信用风险评估的准确率,能够为其他行业上市公司的信用评价研究提供思路。