通信业作为国民经济的基础性行业,其重要性不言而喻。近年来,随着移动用户流量消费的迅猛增长,以及“5G”商用的全面布局开启,通信行业网络呈现明显的扩容趋势,市场投资情绪高涨。而扩容意味着高投入,进而意味着高风险,加之行业内企业之间日趋激烈的竞争,公司仍然面临着复杂的内外形势。在这种背景下,及时发现问题并发出金融风险警告,保持健康的经营状况对公司和投资者都具有重要意义。本文选取在沪深A股上市的通信相关行业的133家上市公司作为样本。不同于以往大多国内研究者以是否被“ST”（或“*ST”）作为划分公司的标准,本文将公司按照Altman的经典Z分数模型和阈值将样本分为两类:“财务健康”和“财务警惕”。在构建财务预警模型指标体系的过程中,除了传统的财务指标以外,文章还综合考虑了公司的股权集中度、董事会治理、审计意见等非财务指标,构建了较为完整的指标体系。之后通过变量筛选、因子分析等过程为各个指标变量提取主成份因子,并对每个因子的意义进行解释。最后将得到的主成份因子得分作为模型的输入进入到模型的学习训练过程中,并比较和分析所生成的预测结果。本文使用了几种目前最为流行且被广泛应用的机器学习算法来构建模型,包括逻辑回归、人工神经网络、支持向量机和决策树模型。预测结果表明,在本文的研究情境下,人工神经网络和决策树的预测效果相比支持向量机和逻辑回归模型更优。而事实上,没有绝对最优的模型,各模型均在不同的环境和评价体系下有较好的预测效果,同时有其各自的优势和局限性。因此,在实际应用中,应根据研究者及用户的目的和需求选择最为合适的模型。本文旨在为机器学习方法在通信行业企业财务危机预警方面的研究提供实证经验。