هدف اصلی بانک ها جمع آوری پس اندازهای مشتریان و تخصیص آن ها در قالب اعتبارات به مشتریان درخواست کننده اعتبار می باشد. عدم تعهد مشتریان به بازپرداخت اعتبار دریافتی، بانک ها را با مشکلات زیادی روبرو ساخته است. این امر بانک ها را در معرض ریسک اعتباری قرار می دهد که یکی از چالش های صنعت بانکداری می باشد و حیات سازمانی بانک را تحت تاثیر قرار می دهد. اهمیت اعطای اعتبار در صنعت بانکداری، منجر به توسعه چندین مدل گوناگون برای ارزیابی اعتباری متقاضیان اعتبار شده است. با این وجود، بسیاری از این مدل ها، مدل های کلاسیک می باشند که قابلیت ارزیابی اعتباری متقاضیان را بطور کامل و بهینه ندارند. با ورود هوش مصنوعی و بکارگیری تکنیک های مختلف آن در این حوزه، زمینه برای مدل های پایدارتر و مناسب تر فراهم آمده است. در این پژوهش سعی شد تا مدلی ارائه شود که نتایجی برتر از مدل های بکار گرفته شده قبلی ارائه کند. در این پژوهش مدلی ترکیبی برای مدیریت ریسک اعتباری ارائه شد که از تکنیک های دسته بندی و خوشه بندی بهره می برد. هم چنین به منظور بهبود صحت و عملکرد مدل از رویکرد یادگیری جمعی بهره گرفته شده است. از شبکه های عصبی به عنوان مدل دسته بندی استفاده شده است. علاوه بر ارائه مدل، در این پژوهش سه مسئله اصلی و اساسی مد نظر قرار گرفت که این سه مسئله عبارتند از نرمالسازی بهینه و کارا، تعیین نسبت بهینه آموزش و تست برای هر شبکه عصبی و تعیین معیار جداسازی مناسب برای سیستم مدیریت ریسک اعتباری. نتایج نشان داد که مدل پیشنهادی این پژوهش قادر است صحتی بالاتر، عملکردی برتر و هزینه ایی کمتر در دسته بندی متقاضیان اعتبار نسبت به روش ها و مدل های اخیر بکار گرفته شده در این حوزه به ارمغان بیاورد