【摘要】从样本偏差和信用样本动态变化问题出发,以CBR(案例推理)方法建立个人信用评分模型。研究发现,基于CBR的个人信用评分模型在案例检索环节假设特征集中各特征变量具有相同权重,与个人信用评分实际不符;在案例修正环节假设相似案例权重相等,导致已有数据信息无法得到充分利用。针对这些局限性,本文设计了基于Logistic回归-BP神经网络的权重调整算法,结合BP神经网络的高精度及Logistic回归的稳定性计算个人信用评分各特征变量的权重,对案例检索进行优化;设计基于距离的投票算法计算各相似案例的权重,对案例修正进行优化。实证实验证明基于优化CBR的个人信用评分模型精确性和解释性均有所提高,错分率降低,能够输出各指标的重要性,有效的利用已有数据信息,更加适用于个人信用评分。