CNN es particularmente eficaz en la extracción de características espaciales. Sin embargo, el clasificador de una sola capa construido por la función de activación en CNN es fácilmente interferido por el ruido de la imagen, lo que resulta en una reducción de la precisión de clasificación. Para resolver el problema, se utiliza el modelo de conjunto avanzado XGBoost para superar la deficiencia de un único clasificador para clasificar características de imagen. Para distinguir aún más las características de imagen extraídas, se propone un modelo de clasificación de imágenes CNN-XGBoost optimizado por APSO, donde APSO optimiza los hiperparámetros en la arquitectura general para promover la fusión del modelo de dos etapas. El modelo se compone principalmente de dos partes: el extractor de características CNN, que se utiliza para extraer automáticamente características espaciales de las imágenes; el clasificador de características XGBoost se aplica para clasificar las características extraídas después de la convolución. En el proceso de optimización de parámetros, para superar la desventaja de que el algoritmo PSO tradicional fácilmente cae en un óptimo local, el APSO mejorado guía a las partículas a buscar optimización en el espacio mediante dos estrategias diferentes, lo que mejora la diversidad de la población de partículas y evita que el algoritmo quede atrapado en óptimos locales. Los resultados en el conjunto de imágenes muestran que el modelo propuesto obtiene mejores resultados en la clasificación de imágenes. Además, el modelo APSO-XGBoost tiene un buen desempeño en los datos de crédito, lo que indica que el modelo tiene una buena capacidad de puntuación de crédito.