روش های سنتی تصمیم گیری در مورد اعطای اعتبار به متقاضیان وام، همانند آنچه که اکنون در کشور ما انجام می گیرد بر پایه قضاوت شخصی در مورد خطر بازپرداخت استوار است. با این وجود، فشارهای اقتصادی ناشی از افزایش تقاضا برای شکل های مختلف اعتبار، در کنار رقابت های گسترده و تلاش موسسات مالی و بانک ها برای پایین آوردن درصد عدم بازپرداخت موجب افزایش به کارگیری روش های آماری در زمینه اعطای اعتبار شده است. رتبه بندی اعتباری به منظور پیش بینی احتمال کوتاهی در بازپرداخت و یا عدم بازپرداخت و یا معادل آن برای طبقه بندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار می گیرد. مدل های رتبه بندی اعتباری، یکی از مهم ترین و اساسی ترین سیستم های تصمیم گیری هستند که بخش عمده ای از اطلاعات مورد نیاز موسسات اعتبار دهنده در مدیریت اعتبار را فراهم می کنند. هدف مدل های رتبه بندی اعتباری، پیش بینی احتمال عدم بازپرداخت اعتبار از سوی مشتری و یا طبقه بندی متقاضیان اعتبار است. از جمله مزایای این روش می توان به صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان وام اشاره کرد. روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون خطی و لجستیک، روش های هموار سازی ناپارامتری و شبکه های عصبی در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند. در این میان، شبکه های عصبی به دلیل انعطاف پذیری بالاتر، در سالهای اخیر بیشتر مورد توجه قرار گرفته اند. در این مقاله یک مدل شبکه عصبی ترکیبی برای طبقه بندی متقاضیان دریافت وام با کمک الگوریتم som و mlp شده است.