近年来,随着人口红利的消失,国内制造业面临着劳动力成本上升的影响,导致生产成本上升,在市场竞争中丧失价格优势。同时,我国制造业的生产技术特别是核心技术,主要依靠国外的现状没有改变。而且我国有关制造业行业的政策体系滞后以及市场需求的变化,导致制造业公司抵抗风险的能力较弱。制造业作为国民经济的支柱产业,制造业能否健康有序发展,关系到我国的经济发展。特别是上市公司的财务实力和经营管理水平,关系到我国经济发展的稳定。随着资本市场的快速发展,上市公司的财务风险和信用风险越来越受到重视。对上市公司的信用进行评估对企业识别、预警风险十分重要,它可以在信用风险发生改变时及时有效地反馈信号。公司经营者可以根据这个信号迅速采取有效的措施完善经营策略,预防信用风险的继续扩张。从国内外的经济形势来看,对上市公司信用风险进行研究是大势所趋。本文重点研究上市公司财务状况评价,构建信用风险预测模型,这有利于企业的发展及利益相关者的决策,具有积极的意义。本文中首先阐述了信用风险概念和特征等理论知识,介绍了现有理论模型在我国的适用性,并对我国制造业上市公司信用风险的现状、特征及其产生的原因进行了阐释。进一步地,为对上市公司信用风险进行评价与预测,本文基于制造业A股上市企业的财务数据,将数据包络分析（Data Envelope Analysis,DEA）与人工神经网络（Artificial Neural Network,ANN）方法进行结合,建立DEA-ANN信用风险评估模型。其中,利用DEA方法度量企业的相对信用评分分数和相对信用排名,利用ANN方法估计企业的违约概率,最后,对模型评估效果进行检验,并与传统利用Logistic回归进行分类的评估效果进行对比。结果表明:DEA-Logistic模型对总体的预估准确率为73.33%,DEA-ANN模型对总体的预估准确率为80%。与DEA-Logistic模型相比,构建的DEA-ANN模型具有更好预测效果,适合于我国制造业上市公司信用风险现状,具有一定的实用性。