作为市场主体,企业所披露的财务信息为投资者决策和经济政策制定提供了重要依据。而财务舞弊会导致信息失真,干扰正常经济秩序,因此如何识别财务舞弊一直是一个经典课题。先前研究更多利用企业自身披露的财务信息（如财务比率等）与非财务信息（如治理结构等）等信息,而由于互联网信息（从互联网中获取的财务舞弊分析和报道）对财务舞弊的指向性更直接,因此引入互联网信息更有助于识别财务舞弊。但是,使用互联网信息涉及著作权问题,必须获得互联网平台的授权;使用爬虫在技术上并非上策;信息的易泄露性、价值随了解人数增多而降低的特性导致直接交易互联网信息在经济上并不一定可行。因此,本文使用了隐私保护机器学习技术进行建模。这种技术的核心是让互联网平台按任务需要计算模型参数,进行公开和交易的是参数本身而非原始数据,因此能够有效规避上述法律、技术和经济性障碍,帮助机器学习技术更好应用于财务舞弊识别这一问题的实践当中。本文对2012-2020年的16112个样本分别获取了其披露的财务和非财务信息指标;同时获取了这些样本的互联网信息,并构建了样本互联网信息指标。以此为基础,本文构建了三个模型:模型1仅使用财务和非财务信息、模型2在模型基础上添加了互联网信息,模型3在模型2基础上使用纵向Secure Boost、纵向神经网络两种隐私保护机器学习算法。结果表明,模型2相对于模型1在获得了约7到10个百分点的提升,说明引入互联网信息有助于提高识别效果;而模型3对比于模型2结果一致,说明隐私保护机器学习在财务舞弊识别这一问题中,能够在合规基础上充分利用互联网信息实现模型效果的提升。本文从理论上讨论了引入互联网信息的必要性以及现实问题,同时探讨了使用隐私保护机器学习技术在财务舞弊识别上的可行性。在此基础上,本文通过实验数据验证了上述必要性与可行性,具有一定理论和实践意义。