针对目前信用贷款评估模型存在特征预处理复杂、受主观因素干扰、准确率较低的现象,提出一种新模型。该模型先组建连续性信贷特征文本数据,并使用Word2Vec算法进行词向量化后通过词嵌入层衔接CNN(卷积神经网络)进行评估,通过Keras框架并依据2008~2018年的银行个人信贷数据进行实证分析。结果表明:新模型的总体评估准确率高达91.7%,无需对缺失特征进行处理并可直接评估,且评估准确率更优异,达到85.8%。新模型将离散型的信贷特征转变为连续性文本,降低特征预处理复杂度,结合Word2Vec与自然语言处理实现直接评估缺失信贷特征的目的,并基于CNN优异的特征分析能力最终提高信贷评估模型鲁棒性,进一步改善了目前信用贷款评估模型中存在的部分问题,同时避免评估中主观因素的干扰。