ریسک اعتباری به عنوان خطر ناشی از احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید بوده و یکی از مهم ترین ریسک ها در بانک ها و مؤسسات مالی به حساب می آید. یکی از مهم ترین ابرارهای کنترل و مدیریت ریسک اعتباری، استقرار نظام امتیازدهی اعتباری است. مدل های امتیازدهی اعتباری با دریافت مجموعه ای از اطلاعات مشتریان به عنوان ورودی، امتیازی را به عنوان خروجی به آنها اختصاص می دهند بانک ها می توانند از این امتیاز در راستای تخصیص اعتبار به مشتری بهره گیرند. ازآنجاکه اغلب مدل های ارائه شده در این زمینه، مشتریان را با عنوان دو گروه «خوش حساب» و «بدحساب» دسته بندی می کنند، احتمال اخذ تصمیمات نادرست و تا حدودی ناعادلانه در زمینه اعطای اعتبار به متقاضیان افزایش می یابد. در این پژوهش سعی شده است تا مدلی ارائه شود تا از طریق آن بتوان مشتریان حقوق بانک را در قالب یکی از چهار گروه خوش حساب، سررسید گذشته، معوق و مشکوک الوصول طبقه بندی نمود تا از این طریق وام دهندگان بتوانند با پیش بینی خوش حسابی یا شدت بد حسابی مشتری حقوقی خود، سیاست های ویژه ای را در راستای واگذاری اعتبار به ایشان اعمال نمایند و در نتیجه ریسک اعتباری بانک کاهش یافته و به تبع آن منابع و تسهیلات بانکی به نحو مطلوبی مورد استفاده قرار گیرد. با توجه به وجود ارتباطات غیرخطی پیچیده بین متغیرهای ورودی مدل که از ویژگی های داده های مالی به حساب می آید، در این تحقیق استفاده از روش های عام طبقه بندی چند کلاسه که با یک قدم اطلاعات را به چهار گروه مورد نظر تفکیک می نمایند، دقت مطلوب را ارائه نخواهد داد. لذا با تفکیک اطلاعات به گروه های دودویی سعی در برطرف نمودن این مشکل نموده ایم. همچنین ازآنجاکه دسترسی به داده های مشتریان در قالب هر چهار گروه دشوار بوده و تعداد داده در برخی گروه ها (گروه های سررسید گذشته و معوق) اندک است، با نمونه گیری تصادفی از مجموعه داده ها و ترکیب نتایج تلاش می نماییم که تا حد امکان دقت طبقه بندی را افزایش دهیم. به منظور اعتبارسنجی، مدل پیشنهادی آموزش داده شده به وسیله رویکرد ترکیبی شبکه عصبی خودسازمان ده و شعاعی و مدل آموزش داده شده به وسیله ماشین های بردار پشتیبان با یکدیگر مقایسه می شوند.