1.一种信用评分模型的建立方法，其特征在于，该方法包括：
获取包括授信客户的相关信息及信用评分的第一类训练样本；
初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；
获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；
将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；
初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。
2.根据权利要求1所述的方法，其特征在于，所述信用评分为信用度，所述第一类训练样本/第二类训练样本中，包括信用度小于设定阈值的负样本及信用度大于设定阈值的正样本。
3.根据权利要求2所述的方法，其特征在于，还包括：
检测当前设定阈值划分的第一类训练样本/第二类训练样本中的正样本和负样本是否满足如下关系式，若不满足调整设定阈值至满足如下关系式：
第一类训练样本中的所有正样本的信用评分平均值，第二类训练样本中所有拒绝客户的信用评分平均值，第一类训练样本中所有授信客户的信用评分平均值，第二训练样本中属于正样本的所有授信客户的信用评分平均值，为依次从大到小的顺序。
4.根据权利要求1所述的方法，其特征在于，所述信用评分为失信度，所述第一类训练样本/第二类训练样本中，包括失信度小于设定阈值的正样本及失信度大于设定阈值的负样本。
5.根据权利要求4所述的方法，其特征在于，还包括：
检测当前设定阈值划分的第一类训练样本/第二类训练样本中的正样本和负样本是否满足如下关系式，若不满足调整设定阈值至满足如下关系式：
第一类训练样本中的所有正样本的信用评分平均值，第二类训练样本中所有拒绝客户的信用评分平均值，第一类训练样本中所有授信客户的信用评分平均值，第二训练样本中属于正样本的所有授信客户的信用评分平均值，为依次从小到大的顺序。
6.根据权利要求2～5任一所述的方法，其特征在于，还包括：
获取到待分类的授信客户/拒绝客户的相关信息并输入到最终的信用评分模型；
根据所述最终的信用评分模型输出的信用评分与设定阈值的关系，确定所述待分类的授信客户/拒绝客户的分类。
7.如权利要求1所述的方法，其特征在于，包括：
利用如下任一分类算法构建信用评分模型：
决策树分类算法、随机森林分类算法、逻辑回归分类算法、神经网络分类算法。
8.一种信用评分模型的建立装置，其特征在于，该装置包括：
获取模块，用于获取包括授信客户的相关信息及信用评分的第一类训练样本；
初步训练模块，用于初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；
运行模块，用于获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；
样本获取模块，用于将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；
最终训练模块，用于初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。
9.一种信用评分模型的建立装置，其特征在于，包括：存储器、处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
获取包括授信客户的相关信息及信用评分的第一类训练样本；
初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；
获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；
将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；
初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。
10.一种计算机可读存储介质，其特征在于，包括计算机程序指令，当其在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。