بحران مالی سال های اخیر سبب شده که بانک ها و موسسات اعتباری توجه بیشتری به ریسک اعتباری خود داشته باشند. لذا بانک ها با استفاده از ابزارها و روش های مختلف سعی نمودند به ارزیابی وضعیت اعتباری مشتریان خود بپردازند تا به بهترین شکل ریسک تخصیص منابع مالی خود را کاهش دهند. در این پایان نامه پس از بررسی دقیق مدل های رتبه بندی اعتباری مشتریان و شناخت دقیق وضعیت فعلی این مدل ها و ابزارها و روش-های آن ها، به گسترش این مدل ها پرداخته شده است. اکثر مدل هایی که در این حوزه ارائه شده است روش های عمومی داده کاوی از قبیل درخت تصمیم، شبکه عصبی، svm و... استفاده کرده اند و جای خالی مدل های جدید داده-کاوی که بتواند پیش بینی دقیق تری در این حوزه ارائه دهند به خوبی احساس می شود. بدین منظور در اولین قسمت از پژوهش دو مدل جدید رتبه بندی اعتباری با استفاده از مدل پیشرفته الگوریتم svm و الگوریتم کولونی مورچه ها ارائه شده است. به کار گیری این دو روش توانست پیش بینی دقیق تری در زمینه رتبه بندی اعتباری مشتریان داشته باشد. در ادامه کار روش svm بهبود یافته را با انتخاب مشخصه های ورودی ارائه نموده و بهبودهای بیشتری درنتایج بدست آمد. در ادامه با استفاده از نقاط قوت سایر مدل ها، نقاط ضعف مدل های ارائه شده پوشش داده شد و مدلی با دقت بالاتری حاصل گردید. جهت ترکیب مدل ها در این پژوهش از دو دسته روش رای گیری اکثریت و وزن دهی شده مرتب استفاده شده است. برای ارزیابی کلیه مدلهای توسعه داده شده فوق، از دو مجموعه داده استاندارد از پایگاه داده uci استفاده شده است. نتایج استخراج شده نشان داد مدلهای پیشنهادی می تواند به عنوان ابزاری موثر و کاربردی برای رتبه بندی اعتباری مشتریان مورد استفاده قرار گیرد. در پایان کار چارچوبی را برای رتبه بندی اعتباری مشتریان متقاضی وام ارائه شده است که بتواند به عنوان رویه ای برای رتبه بندی اعتباری مورد استفاده قرار گیرد و در ادامه درستی این رویکرد را با استفاده از داده های گردآوری شده از یک موسسه مالی و اعتباری داخلی اثبات نمودیم.