债券市场是我国资本市场的重要组成部分,其为资金的供给方和需求方提供了资金融通的场所。经历不断的探索与创新,我国的债券市场已经逐渐发展成为规模较大、品种丰富、相对成熟的市场。但是,2014年的“11超日债”违约发生之后,我国的债券市场相继出现了四次违约潮,债券违约总体呈现规模越来越大、行业分布越来越广的特点,同时违约主体也从民营企业逐渐扩展到国有企业。债券违约现象的出现可能加剧融资成本上升的风险、推升再融资风险、引发区域性信用风险发酵,从而增大系统性金融风险,不利于经济的稳定发展。同时,债券违约造成投资者财富损失,动摇投资者的信心。建立较为完善和即时的债券违约风险预警模型对于防范债券违约风险至关重要,债券发行的主体、投资者以及监管部门对于债券风险预警信息的紧密跟踪有助于防范债券违约现象的出现,减少相关主体的损失。本文选取2014到2021年发生违约的186只债券和未发生违约的848只债券作为研究的样本,选取了宏观经济运行指标、财务指标、非财务指标、债券信息和舆情信息五个方面的65个细分指标作为影响债券违约风险的变量。舆情因素是反映公司运营状况的有效途径。相比于公司自身披露的财务报表,舆情信息更具有即时性,同时也是公司的财务数据之外的经营情况的综合表现。因此,本文引入舆情信息作为影响债券违约风险的因素,采用Ro BERTa模型对百度搜索获得的债券的舆情信息进行分析。为了提升准确性,本文使用XGboost算法对指标的重要性进行排序,筛选出重要性排名前14的指标作为训练机器学习模型的依据。本文选择机器学习方法中常见的神经网络和支持向量机算法两种单一机器学习算法和集成学习算法随机森林,并且使用遗传算法对神经网络和随机森林进行优化来提升模型的性能。根据本文的研究结果,使用XGboost算法进行筛选并且引入舆情信息的遗传算法优化的随机森林在本文的数据中表现最佳,其受试者工作特征曲线下与坐标轴围成的面积（AUC）以及准确率和召回率的调和平均数（F1）均为最高,即具有较低的漏报率和误报率。因此,从实证研究的结果分析,指标重要性筛选、舆情信息的引入以及机器学习算法的优化都有利于预警模型预测准确率的提升。基于本文的研究结论,本文也提出了监管机构应加强技术应用,提升预警效能,积极运用舆情信息;加强对于债券市场信息披露标准的制定与落实力度,合理协调分工,制定宏观层面统一、适应银行间和交易所等不同债券市场发展特色的信息披露标准;关注重点企业,优化金融结构等建议,并对本文构建的债券违约风险预警模型的优化和改进提出了展望。