审计意见是独立第三方注册会计师对上市公司财务报告进行审核后出具的专业性意见,是投资者、监管者以及其他利益相关者做出决策的重要依据。然而,随着市场竞争日益激烈,上市公司的财务舞弊行为及审计意见购买现象逐渐增加,致使部分失真的会计信息流入市场。这不仅会给投资者决策带来错误导向,还严重破坏了社会经济的稳定发展。此外,审计过程由于受到专业知识和时间的限制,相关利益者无法判定注册会计师出具的审计意见是否公允,因此对审计意见预测的研究有着重要意义。当前深度学习技术因其拥有强大的自学习提取特征的能力而被成功应用于计算机视觉等多个领域,但在我国的审计预测领域还尚未得到充分运用。为此,本文提出使用卷积神经网络这一深度学习方法构建审计意见多分类预测模型,以弥补传统模型中需要事先进行人工筛选核心指标的不足,进一步提高模型的预测效率和准确性,以帮助利益相关者合理规避审计风险。本文选取2019-2021年A股制造业上市公司为研究样本,并对数据进行了Z-score标准化、SMOTE非平衡化及审计意见独热编码转换处理,将数据划分为训练样本、测试样本和预测样本,使用Python语言基于深度学习Keras框架搭建卷积神经网络模型。之后,通过使用正则化方法优化模型,以提高模型的鲁棒性,最终模型对四种常见审计意见预测的综合准确率达到98.79%。将目前广泛应用于审计意见预测的BP神经网络和支持向量机模型与本文提出的卷积神经网络模型进行对比。实验结果表明,卷积神经网络模型的预测准确率和召回率均高于传统机器学习模型,说明本文构建的模型预测效果较好,具有一定的优势。此外,基于学者们对审计意见影响因素的研究,本文在前人的预测指标体系中新加入公司内部环境指标和外部治理媒体监督指标,进一步完善审计意见预测指标体系,使模型预测更符合实际。研究结果表明,本文加入新指标后模型的预测结果提高了约11个百分点,说明本文新加入的指标对审计意见的预测发挥着重要作用。结合这一研究结果和当前审计质量下降的原因,本文从上市公司、审计主体和外部治理三个层面给出合理建议,希望能给有关部门提供一些参考。最后,考虑到审计意见发布的滞后性,本文利用上市公司前11个季度的数据通过灰色GM（1,1）模型预测出2021年年度财务指标的数据值,并将其与已知的其他非财务指标一同放入已训练好的卷积神经网络模型中预测公司该年度的审计意见类型,最终模型的综合准确率为93.75%,模型整体表现优秀,说明本文构建的卷积神经网络模型预测效果较好,具有一定的实用价值。