自从2014年3月中国债券市场出现首支发生实质性违约的债券——“11超日债”后,中国债券市场的刚性兑付被打破,近年来,我国债券市场受到央行“资管新规”、中美贸易战以及全球“新冠“疫情的影响,债券发生违约的情况越来越频繁。自改革开放后,我国开始大力发展资本市场以来,国民经济在在这四十多年里突飞猛进,同时我国资本市场也得到了快速发展,企业日益增长的融资需求更需要资本市场的支持。在社会融资规模不断扩大的趋势下,债权融资作为企业直接融资的一种方式已经成为企业融资的主要方式。未来,债券违约在我国资本市场上会逐渐常态化,而在违约的债券中,公司债券所占的比重最高,考虑到研究样本数据的真实性和易得性,因此将公司债作为本文的研究对象,选取了包括公司外部因素和公司内部因素两个层面的25个研究指标,其中涉及到宏观经济指标、公司自身财务指标以及债券自身发行指标,通过机器学习模型量化分析形成较为合理的模型指标体系;在研究数据选择上,本文选取从2014年至2020年8月期间发生债券违约的31只上市公司发行人和165只正常未发生违约的公司债发行人作为构建公司债违约风险识别模型的样本数据,本文通过ADASYN算法对训练集数据进行优化来解决样本中存在的正负类样本不平衡的问题,使研究样本正负样本比例达到1:1,从而提高模型对违约样本的识别能力。本文分别以随机森林、BP神经网络、XGBoost、遗传算法优化的BP神经网络模型设计公司债违约风险识别方案、并通过AUC值、混淆矩阵、查准率、查全率、召回值和F1值这些方案评价指标的对比,验证遗传算法优化后的BP神经网络作为主要算法的合理性。本文通研究分析表明:遗传算法优化的BP神经网络模型在公司债违约风险识别应用中比单一机器学习算法和传统集成算法有更高的识别能力和更准确的预测能力,因此该模型适用于构建债券违约风险预警体系。