ارزیابی ریسک اعتباری مشتریان حیاتی‌ترین و مهم-ترین وظایف در صنعت بانکداری مدرن است که تضمین مطالبات غیرجاری و پایداری مالی مؤسسات اعتباری با یک پیش‌بینی دقیق از وضعیت اعتباری متقاضیان وام را به دنبال دارد. هدف اصلی مقاله، ارتقای فرآیند ارزیابی ریسک اعتباری برای شرکت‌های کوچک است که یک اقدام نوآورانه در این زمینه است و رای دستیابی به این هدف، یک مجموعه داده جامع شامل ابعاد مختلفی مانند اطلاعات مالی، اطلاعات خرد رفتاری شرکت‌ها، اطلاعات اعتبار عمومی و دسترسی شخص ثالث به اطلاعات لازم است تا بتوان از تکنیک‌های پردازش نمونه نامتوازن برای دستیابی به نمایش عادلانه‌تر نمونه‌های طبقه اقلیت استفاده کرد. در این مدل، یک رویکرد دومرحله‌ای مبتنی بر الگوریتم بهینه‌سازی فراابتکاری کلاغ و شبکه عصبی عمیق کانولوشن طراحی و پیاده‌سازی شد که در مرحله اول، از الگوریتم کلاغ برای حل مشکل انتخاب ویژگی استفاده شد و در مرحله دوم، ویژگی‌های منتخب به عنوان ورودی به یک شبکه عصبی کانولوشن برای طبقه‌بندی نهایی ارائه شد. مدل پیشنهادی بر روی مجموعه داده معتبر برگرفته از پلتفرم کگل که شامل اطلاعات واقعی مشتریان بانکی بود، پیاده‌سازی و ارزیابی شد. برای سنجش دقیق عملکرد مدل از روش اعتبارسنجی متقابل K-Fold استفاده شد. نتایج آزمایش‌ها نشان داد که این مدل ترکیبی در مقایسه با روش‌های طبقه‌بندی سنتی، به طور معناداری به دقت بالاتری دست یافته است. در نهایت، این پژوهش نشان داد که مدل پیشنهادی، پتانسیل بالایی برای استفاده به عنوان یک سیستم پشتیبان تصمیم در بانک‌ها و مؤسسات مالی جهت ارزیابی ریسک اعتباری دارد.