ارزیابی ریسک اعتباری یکی از مهمترین موضوعات در زمینه مدیریت ریسک مالی می باشد. با توجه به بحران مالی اخیر و نگرانی های نظارتی بازل ii ، ارزیابی ریسک اعتباری، تمرکز اصلی خدمات مالی و صنعت بانکداری شده است. به خصوص برای موسسات اعتباری، مانند بانک های تجاری ، شرکت های اعتباری ، بانک های مرکزی و دولت ها، توانائی تبعیض قائل شدن بین شرکت ها و بانک های ورشکسته از غیر ورشکسته بسیار مهم است. رتبه بندی اعتباری ابزار اصلی برای ارزیابی ریسک اعتباری است. ماشین بردار پشتیبان ، روشی داده محور و یادگیری با نظارت است که نیازی به فرض خاصی در مورد داده ها ندارد. در این پایان نامه، به مطالعه مدل های رتبه بندی اعتباری با ماشین بردار پشتیبان از پنج جنبه پرداخته ایم. 1) ماشین بردار پشتیبان روشی برای تفکیک بین دو طبقه است و برای بکار گیری آن در حالت چند دسته ای از روش یک-درمقابل-یک و یک-درمقابل-بقیه استفاده شده است. 2) به منظور بهبود عملکرد ماشین بردار پشتیبان در برابر داده های نامتعادل ، پارامتر جریمه متفاوت برای هر طبقه در نظر می گیریم. و از آنجا که نسبت نامتعادلی در بین دسته های مختلف متفاوت است و حتی بعضی از آنها تعداد داده های برابری دارند، در نحوه تعیین پارامتر جریمه تمهیداتی در نظر گرفته شده است. در مطالعات قبلی در زمینه طبقه بندی چند دسته ای، برای تمامی طبقات یک پارامتر کرنل تعیین می شده است و تمامی داده ها به یک فضا نگاشت می شود، اما در این پایان نامه با هر دو دسته به طور مستقل رفتار می شود و پارامتر متناسب با آن انتخاب می شود. 3) در ماشین بردار پشتیبان مشکل مناطق غیر قابل طبقه بندی وجود دارد که برای مقابله با آن از تابع عضویت مینیمم و روش ماشین بردار پشتیبان فازی استفاده می شود. نتایج نشان می دهند که ماشین بردار پشتیبان فازی، ماشین بردار پشتیبان معمولی را بهبود می دهد. 4) ماشین بردار پشتیبان نسبت به نوع تابع کرنل حساس است. در این پایان نامه تابع کرنل جدیدی با نام kgpf را معرفی کرده و با کرنل rbf مقایسه می کنیم. نتایج آزمونهای آماری بهبودی در نتایج را نشان نمی دهند.. 5) در نهایت نتایج الگوریتم های مختلف را با روش ادغام رای گیری وزندار ترکیب کرده و نتایج بهتری نسبت به ماشین بردار پشتیبان فازی تولید می کند.