随着我国加入WTO,企业也面临了前所未有的挑战，在当今全球经济一体化的浪潮下，企业面临的市场竞争异常激烈。随时都面临着抉择的失败而陷入困境乃至于破产的地步。特别是我国的上市公司，如果陷入了困境，不仅仅是给企业自身的发展带来困境，也会给投资者和债权人带来经济损失，严重的会影响到国家的经济生产生活。所以对我国上市公司进行财务预警很有必要。在本论文中，首先对我国的上市公司财务状况进行了一个简单的介绍，并通过对相关文献的整理，将全球学者对财务困境预警研究做了一个简单的梳理，回顾了近百年来的研究成果；通过分析和比较最后选择出预测准确率最高的BP神经网络作为财务预警模型，并对该模型的运行原理及相关的推理过程进行阐述并分析其不足，提出解决办法。而后对优化的BP神经网络进行训练学习，通过相关测试软件的实验结果证明，BP神经网络的不足得到了很好的解决。通过对2007年至2011年间上市公司的财务数据预警分析研究，我们发现，通过BP神经人工网络建立的预测模型，对所选取的1207家公司里面的正常类公司的财务困境预测结果的准确率达到了80%以上，由此证明了BP人工神经网络模型的有效性。但由于模型样本中正常类公司数量占到了绝大部分比重，样本数量的严重不均衡造成了BP升级网络在训练时过多“记忆”正常类公司的信息，从而造成倾向于将首次亏损年公司和ST公司误判为正常类公司。且文中所构建的BP神经网络模型对首次亏损类公司的预测能力精度不高也是下一步研究的重点。