判別分析是將已知的違約和非違約企業劃分為三個總體，從這些總體的特征中找出壹個判別函數，用來判斷任何壹個觀測向量應該屬於哪個總體，檢驗兩個或兩個以上的矩陣在測量的指標變量中是否存在顯著差異，如果存在，指出哪些指標。
1968年，奧特曼率先將判別分析應用於財務分析、企業破產和信用風險分析，建立了如下著名的線性判別分析模型:
z = 0.012x 1+0.014x 2+0.033 x3+0.006 x4+0.999 X5，
其中，X1為流動資本/總資產，X2為留存收益/總資產，X3為利息和稅收收益/總資產，X4為權益市值/總負債賬面價值，X5為銷售收入/總資產。臨界值為2.675。如果Z小於臨界值，借款人被歸類為違約組，信用等級低。相反，它被歸類為正常組，具有較高的信用等級。分數在1.81到2.99之間時，奧特曼發現判斷誤差較大，重復區域為灰色。
雖然以Z模型為代表的線性判別分析模型非常適合信用評級，但這種方法存在壹些問題:(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；(2)模型主要考慮財務因素，未考慮行業特征、企業規模、管理水平等非財務因素的影響；(2)模型基於歷史數據，對未來發展的預測不夠。
綜合評價方法
綜合評價法是對受各種因素影響的事物或現象進行總的評價，即根據給定的條件給每個對象壹個實數，通過總分法或加權平均等其他計算方法得到壹個綜合得分，然後據此評價其優先級。
從信用評級本身的性質來看，企業信用評級是壹個不確定、模糊的問題。因此，綜合評價法的發展趨勢足以將模糊理論結合到企業信用評級中，從而使評級結果更加科學準確。
人工神經網絡方法
所謂人工神經網絡，是基於模仿生物大腦結構和功能的信息處理系統或計算機，簡稱人工神經網絡。人工神經網絡的基本框架是模仿生物神經細胞，分為輸入層、隱含層和輸出層。每壹層顏色包括幾個代表處理單元的點。輸入層的節點負責接收不同於人腦輸入的外部信息(如圖1)。人工神經網絡接收的輸入信息是各種變量的量化信息，壹個輸入變量對應壹個輸入節點。隱藏層中的節點負責處理從輸入層傳輸來的信息，並將其轉換為要傳輸到輸出層的中間結果。輸出層的節點將隱藏層的信息與閾值進行比較，得到系統的最終結果並輸出。
與傳統的統計方法相比，人工神經網絡具有以下特點:(1)具有自組織和學習的能力；(2)能夠描述輸入數據中變量之間的非線性關系；(3)可以根據樣本和環境的變化進行動態調整，因為企業的各項財務指標與信用風險之間往往存在非線性關系。因此，人工神經網絡更適合於企業信用評估。
模糊分析方法
傳統的數學或統計方法是建立在精確的假設基礎上的，但在自然科學、社會科學和工程技術中存在許多模糊性或不確定性。人類的認知模式、思維模式甚至推理邏輯也涉及到很多不確定性。因此，傳統的方法無法解決這類不確定性問題，而模糊數學將數學的應用範圍從精確拓展到模糊現象領域，提出了隸屬函數理論，在很大程度上確定了事物屬於概念或不屬於概念，因此描述模糊問題比精確數學更合理。
同樣，企業的信用等級也是壹個模糊問題。很難用精確數學中“是”或“否”的概念來判斷其信用狀況。因此，運用模糊分析法對信用狀況進行綜合評價更為科學。
但學術界對模糊數學的合法性仍有質疑，因為:第壹，模糊邏輯缺乏學習能力，應用受到壹定限制。其次，理論上很難保證模糊系統的穩定性。其次，模糊邏輯不是以傳統數學為基礎的，所以很難驗證這個邏輯系統的正確性。
企業信用評級方法
企業信用評級法，通過學習國際先進的企業信用評級理論、企業信用評級思想、企業信用評級模型和企業信用評級方法，經過多年的不斷探索、研究、實踐、創新和積累，最終總結出壹套符合我國經濟環境、適合我國中小企業的信用評級體系。並建立了完整的企業信用評級數據庫、行業領先的企業信用評級模型和科學的企業信用評級方法。通過對國際先進的企業信用評級理論、企業信用評級思想、企業信用評級模型和企業信用評級方法的學習，經過多年的不斷探索、研究、實踐、創新和積累，最終總結出壹套適合我國中小企業的信用評級體系，並形成了完整的企業信用評級數據庫、行業領先的企業信用評級模型和。企業信用網利用現代互聯網信息技術，充分把握各行業的發展脈搏，從而保證企業信用評級結果的準確性和及時性，提高我國企業信用評級行業的技術水平。
企業信用評級主要有這幾種評級方法，國內評級機構壹般采用最後壹種。