در صنعت بانکداری یکی از موضوعاتی که همواره بایستی مدنظر سیاستگذاران اعتباری قرار داشته باشد، مبحث مدیریت ریسک است. در بین ریسک های مختلفی که بانک ها با آن مواجهند, ریسک اعتباری از با اهمیت ترین آن ها است که از زیان های ناشی از ناتوانی یا عدم تمایل مشتری به ایفای تعهدات خویش در برابر بانک حاصل می گردد. جهت مدیریت و کنترل ریسک مذکور, سیستم های رتبه بندی اعتباری مشتریان ضرورتی انکار ناپذیر است. چنین سیستمی، براساس سوابق و اطلاعات موجود، درجه اعتباری مشتریان را تعیین نموده و آنان را براساس میزان ریسکی که متوجه بانک خواهند نمود، رتبه بندی می کند. بدیهی است بهره گیری از چنین سیستمی بانک را در گزینش مطلوب مشتریان خود یاری نموده و ضمن کنترل و کاهش ریسک اعتباری، سطح بهره وری فرایند اعطای تسهیلات بانکی را ارتقا می دهد. در بررسی حاضر مدل های رتبه بندی اعتباری با رویکرد هوش مصنوعی شامل: شبکه های عصبی مصنوعی، سیستم استدلال عصبی- فازی و سیستم استدلال فازی بهبود یافته توسط الگوریتم ترکیبی، به منظور پیش بینی عملکرد مالی مشتریان حقوقی مشتریان حقوقی بانک ها ارایه گردیدند. پس از جمع آوری و بررسی مشاهدات، 320 پرونده مربوط به مشتریان حقوقی شعب شهر تهران بانک تجارت طی سال های 80-85، متغیرهای نسبت بدهی، نسبت فعالیت و نسبت ارزش ویژه به مجموع دارایی ها به عنوان متغیرهای توضیحی مدل انتخاب شدند. از سوی دیگر متغیر وابسته مدل بصورت یک متغیر موهومی، با تعیین دو ارزش صفر و یک برای مشتریان خوش حساب و بد حساب، در نظر گرفته شد. سپس داده ها به دو مجموعه مدل و شاهد تقسیم شدند. پس از آموزش و توسعه هریک از مدل ها، کارایی پیش بینی آن ها با تعیین دو معیار درجه تشخیص و درجه حساسیت برای داده های شاهد مورد ارزیابی قرار گرفت. نتایج بررسی نشان می دهند که مدل شبکه عصبی مصنوعی دارای بالاترین دقت در تشخیص مشتریان بد حساب و خوش حساب می باشد. مدل ترکیبی که برای بهبود سیستم استدلال فازی از آن استفاده گردید، علاوه بر دقت مطلوب آن، دارای دو مزیت است که دو مدل دیگر از آن بی بهره اند. مزیت نخست اینکه این مدل قادر است چندین تابع هدف را در فرایند تنظیم وزن های سیستم استدلال فازی در نظر گیرد و دیگری قابلیت تفسیر نتایج آن است، که بر اساس آن می توان موثرترین متغیر را در نکول تعیین نمود. نتایج بررسی خروجی های این مدل حاکی از تاثیر بسزای نسبت بدهی در نکول است.