随着市场竞争的日益激烈,技术革新突飞猛进、资本市场瞬息万变,企业陷入财务困境的可能性也在提高。同时,监管力度越来越大、监管手段越来越先进,若上市企业不能提高经营管理水平,不能及时规避、有效防范风险,对投资对象和项目审慎决策,企业可能陷入财务困境,并被证监会特别处理,标记为ST企业。此时企业将承受极大的压力,信誉和形象受损继而引发融资渠道变窄,融资成本增大,从而进一步导致恶性循环。而财务预警模型能够在企业陷入财务困境之前对企业发出预警,能够为投资者和债权人提供一定的参考。以机器学习为代表的人工智能技术的发展,为大数据的处理和应用提供了新的方法,为财务预警研究提供了新的方向。但是随之出现的机器学习样本不平衡问题,一定程度上限制了分类器的性能,而经典的不平衡采样技术存在一定的缺陷。基于此,本文提出了Up-Down集成采样技术,通过对随机上采样和和随机下采样算法的集成,找到一个平衡点,一定程度上解决了过拟合问题和样本信息利用不足问题。此外,本文对Smote采样技术进行了优化,通过Tomek link对训练集样本进行清洗,在最大限度保留样本信息的基础上,解决了Smote人工合成样本的分类边界模糊问题,改进的Tomek-Smote采样算法得到了一定程度的优化。在财务预警的研究中,机器学习分类器的应用尚处于初始阶段,大多数研究集中在对分类器本身进行性能上的提升。本文通过Bagging-vote集成技术（BV）和Stacking融合框架,对弹性网、随机森林和XGBoost做进一步的集成融合,结合Up-Down集成采样与Tomek-Smote采样算法,得到Up-Down-BV-Models和Tomek-Smote-Stacking-Models,相比于弹性网、随机森林和XGBoost,集成分类器的预测准确率有了明显的提升。本文对Up-Down-BV-Models和Tomek-Smote-Stacking-Models进一步融合,并加入股票的交易数据,对该数据用卡尔曼滤波进行处理,过滤大盘走势对个股企业的影响,形成数据层次和模型层次的交互式融合优化,最终得到SBV多源信息融合分类器。SBV多源信息融合分类器不仅在预测性能上有了较大的提升,能较好的兼顾模型的预测准确度和预测精确度,并且可以根据利益相关者的实际需要,通过调整模型参数,选择对应的SBV模型。对于市场监管者而言,可以选择精确度（Precision）较高的模型,减少重点监管企业的数量,实现高效、准确的监管;对于投资者而言,可以选择召回率（Recall）值较高的模型,能够在一定程度上规避投资失败的风险,降低投资失败的成本;对于上市公司自身而言,则可以利用多个模型对自己进行预测判别,及时发现风险,防范风险,采取措施以避免陷入财务困境;对于债权人而言,可以通过财务预警模型判断债务人的财务境况,降低资金无法回收的风险。