针对信用评分中有标记样本获取难度大、成本高的问题，本文提出一种新的基于半监督支持向量机的信用评分模型。通过给未标记样本引入新的参数，使得模型无需满足随机缺失假设，具有良好的适用性。同时，在损失函数中加入半监督部分鼓励有标签样本和未标记样本系数的相似性，从而能够有效融合未标记样本信息，提升估计效果。此外，本文利用Group LASSO进行变量选择，可以充分利用组结构信息，筛选重要变量。通过数值模拟和一个信用卡风险违约预测实例数据证明了所提方法的可行性以及在变量选择、系数估计和分类预测上的优良效果。