随着我国的经济体制的改革，我国证券市场有了蓬勃的发展，近年来上市公司的数量在快速增长，但是我国证券市场仍有很多风险不容忽视。国际欧债危机及信用评级机构对美国信用评级的下调，对我国证券市场都造成了不小的冲击，至今年年初我国A股仍未走出阴霾，并且多家上市公司还陷入了资金危机的局面。复杂的国际与国内形势及上市公司的之间的竞争，都加剧了上市公司陷入困境的风险，因此建立一个有效的财务困境预警模型有着重要的意义，它给上市公司起到一个警示的作用，提高公司管理者的能力避免公司陷入困境，也有利于债权人、投资人的利益相关方根据预警结果做出有利于自己的选择。本文研究的目的就是为了寻找一种对上市公司财务状况预测更加准确的模型。文章的结构安排及具体内容如下：第1章，首先简单的介绍了本文的研究背景和研究意义，并对财务困境定义进行简单的介绍，接着回顾财务困境预警模型研究的现状。第2章，对本文用到的Fisher判别模型、Logistic回归模型、BP神经网络模型、SVM模型及加权投票组合模型的理论知识进行详细的阐述。另外，本章还对指标的筛选方法进行了简单比较，并详细的介绍了本文要用的邻域粗糙集属性约简算法。第3章，首先是对本文选择的公司和指标体系进行介绍；然后对数据进行处理，构建进入模型的数据。本文的研究样本选取的是沪深制造业A股上市公司，最初搜集到358家公司，对有缺失值的公司采取直接删除的形式，最终剩下346家公司（其中77家为被ST公司，269家正常公司），设公司被ST的年份为T，本文研究的是T-3年的数据。本文的初选指标有30个，不只有财务指标，还包含公司治理指标、股权机构、市场收益、公司规模等方面的指标。然后对数据运用邻域粗糙集属性约简法筛选指标。第4章，实证分析部分。首先运用Fisher判别模型、Logistic回归模型、BP神经网络模型、SVM模型分别对数据进行预测，得到预测结果；然后在单预测结果基础上利用组合模型进行组合预测，得到组合预测结果；最后对基于单模型和组合模型的预测结果进行比较分析。本文研究所得出的结论：第一，在两种统计方法建模中，可以得到总资产周转率对财务困境预警模型的贡献最大，而资产周转率反映的是公司的运营能力，说明一个公司的运营能力对公司是否陷入困境有着很重要的影响。第二，对于单个分类器来说，人工智能方法BP神经网络及的预测能力要比统计方法Fisher判别分析模型及Logistic回归模型高。而人工智能方法中， SVM模型的预测能力比BP神经网络的预测能力高；统计方法中，Logistic回归模型的预测能力比Fisher判别分析模型的预测能力高。第三，财务困境加权投票组合预测模型的预测准确率比支持向量机的预测准确率还要高，在财务困境预测方面有着明显的优越性。