壹、判別分析法：
分析法是根據已知的違約和非違約的企業進行分類構成符於個總體，由這若幹個總體的特征找出壹個判別函數，用於判別任意已觀察的向量應判屬於哪壹個總體，以及檢驗兩個或多個母體，在所測量的指標變量上，是否有顯著差異，如有則指出為哪些指標。
1968年奧特曼(Altman)率先將判別分析法應用於財務分析、公司破產及信用風險的分析，建立了如下著名的線性判別分析模 ：
Z=0.012X1+0.014X2+0.033X3 +0.006X4+0.999X5,
其中，X1為流動資金/總資產，X2為留存收益/總資產，X3為息稅的收益/總資產，X4為股權市值/總負債賬面值，X5為銷售收入/總資產。臨界值為2.675，如果z小於臨界值，借款人被劃入違約組，信用級別較低；反之被劃入正常組，信用級別較高。當分值在1.81和2.99之間時，Altman發現判斷失誤較大，該重復區域為灰色區域。
以Z模型為代表的線性判別分析模型雖然很適用於信用評級，但這種方法存在壹定問題：(1)限制條件過於嚴格，如要求樣本數據服從多元正態分布，協方差矩陣相同等；(2)模型主要考慮的是財務因素，沒有考慮行業特征、企業規模、管理水平等非財務因素的影響；(2)模型以歷史數據為基礎，對未來發展的預測不夠。
二、綜合評判法
綜合評判法就是對多種因素所影響的事物或現象做出總的評價，即對評判對象的全體，根據所給的條件，給每壹個對象賦予壹個實數，通過總分法或加權平均等其他計算方法得到綜合評分，再據此進行優序評價。
從信用評級本身的屬性來看，企業信用評級屬於壹種不確定性的模糊問題，因此，綜合評價法的發展趨勢足與模糊理論相結合來對企業進行信用評級，從而使評級結果更科學、更準確。
三、人工神經網絡法
所謂的人工神經網絡，就是基於模仿生物大腦的結構和功能而構成的壹種信息處理系統或計算機，簡稱神經網絡，簡寫為ANN(Artificial Neural Network)。人工神經網絡的基本構架是模仿生物的神經細胞，分為輸入層、隱藏層和輸出層二層。每壹層色括若幹代表處理單元的點。輸入層的節點負責接收外在信息不同於人腦的輸入，人工神經網絡所接收的輸入信息是各種變量的數量化信息，壹個輸人變量對應壹個輸入節點。隱藏層的節點負責處理輸入層傳來的信息，並轉化為中間結果傳遞給輸出層。而輸出層的節點就以隱藏層傳來的信息與門檻值比較後，得到系統的最後結果，並將結果輸出。
與傳統的統計方法相比，人工神經網絡具有以下特點：(1)具有自我組織與學習的能力 ；(2)可以描述輸入資料中變量間的非線性關系；(3)可以依據樣本和環境的變化進行動態的調整 由於企業各項財務指標與信用風險之間往往存在著非線性關系。因此人工神經網絡比較適用於企業的信用評價。
四、模糊分析法
傳統的數學或統計方法都足建立在精確的觀點假設基礎之上，但是在自然科學、社會科學和工程技術等領域，存在著很多模糊或不確定性；人類的認知模式、思考方式、甚至推理邏輯也涉及許多非確定性。因此利用傳統的方法無法解決這樣的不確定性問題，而模糊數學是將數學的應用範圍，從精確擴大到模糊現象的領域，提出了隸屬函數理論，確定了某壹事物在多人程度上屬於所講的概念，或者不屬於所講的慨念，這樣描述模糊性問題比精確數學更為合理。
同樣，企業信用評級也屬於模糊性問題，其信用狀態如何，用精確數“是”或“非”的概念很難做出判斷，因此，應用模糊分析法對信用狀況做出綜合評價比較科學。
企業信用評級（Enterprise Credit Rating）,信用評級作為壹個完整的體系，包括信用評級的要素和指標、信用評級的等級和標準、信用評級的方法和模型等方面的內容。其中信用評級指標和信用評級方法是信用評級體系中最核心的兩個內容，同時又是信用評價體系中聯系最緊密、影響最深刻的兩個內容。