اعطای تسهیلات اعتباری بانکی در سال های اخیر با مشکلاتی از قبیل عدم بازپرداخت توسط مشتریان مواجه شده است که استفاده از سیستم های پیشرفته ی اعتبارسنجی را برای بانک ها ضروری می نماید. از طرفی استفاده از الگوریتم های داده کاوی و هوش مصنوعی به منظور تفکیک مشتریان از نظر ریسک بازپرداخت تسهیلات، در بانک های موفق دنیا جایگاه ویژه ای داشته و مبنای تصمیم گیری ها در حوزه ی مشتریان اعتباری است. هدف این تحقیق طبقه بندی مشتریان اعتباری بانک به لحاظ ریسک بازپرداخت تسهیلات دریافت شده می باشد. در این تحقیق با استفاده از داده های اعتباری مشتریان که در سیستم های اطلاعاتی بانک موجود می باشد، فرآیند داده کاوی بر روی این داده ها صورت پذیرفته است. ابتدا داده های مورد نیاز جمع آوری شده و عملیات پیش پردازش شامل حذف مقادیر پراکنده، نرمال سازی و گسسته سازی بر روی آنها انجام شد. سپس تکنیک های طبقه بندی رگرسیون لجستیک، درخت تصمیم c4.5، ماشین بردار پشتیبان و شبکه های عصبی با سه روش مختلف: 1) طبقه بندی بدون اعمال انتخاب ویژگی ها و خوشه بندی، 2) طبقه بندی با اعمال انتخاب ویژگی ها، 3) طبقه بندی با اعمال خوشه بندی، بر روی داده های پیش پردازش شده اعمال شد. نتایج پیش بینی این تکنیک ها با یکدیگر مورد مقایسه قرار گرفت. همچنین در این پایان نامه روش پیشنهادی ماشین بردار پشتیبان تکاملی، در پیش بینی ریسک بازپرداخت تسهیلات ارائه شده و مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که روش شبکه های عصبی با نرخ پیش بینی 6/90 درصد و ماشین بردار پشتیبان تکاملی با نرخ 8/89 درصد در مقایسه با سایر روش ها از دقت پیش بینی کنندگی بالایی برخوردار هستند. در مجموع با استفاده از نتایج این پایان نامه می توان گفت که تکنیک های داده کاوی از قدرت بالایی در پیش بینی ریسک اعتباری بانک ها برخوردار هستند و می توان با اطمینان بالایی از آنها استفاده نمود.