随着全球经济一体化的推进，企业如何在这样复杂的一个环境中求得生存和发展，不仅是投资者、债权人以及企业管理者考虑的问题，同时也是一个政府或者国家面临的头等大事。在这样不稳定市场环境中，时常存在上市企业公司被ST或者破产情况的发生。因此，在企业发生财务困境之前，及时采取相关的措施保护投资人、债权人以及企业等各方的利益显得尤为重要。　　本研究在回顾相关文献的基础上，对企业财务困境定义及其影响因素进行探讨；然后综合之前学者们使用过的财务预警模型方法，并对这些模型方法成果进行分析比较，最终本文选取Logistics模型、主成分分析模型、以及BP神经网络模型三种数学方法对企业财务困境进行研究并验证各个方法之间的差异性。在实证研究部分，选取2016年中50家被ST的制造业企业以及100家配对非ST企业作为研究样本，从企业财务指标以及股权结构入手，综合可能影响企业财务困境发生的各方面因素，包括现金流动能力、偿债能力、发展能力、盈利能力、营运能力以及公司股权结构。从t-2年(财务困境公司被标志为ST前年)公司财务指标样本中选出34个财务预警指标，并对其进行正态分布检验，对服从正态分布的指标进行两独立样本T检验；对不服从正态分布的指标进行两独立样本非参数检验；根据两独立样本T检验和两独立非参数检验的结果，去除不显著的8个财务指标。随后分别对流动能力、偿债能力、发展能力、盈利能力、营运能力中可能存在多重共线性的指标进行剔除同时保证每个财务能力中有相关指标进入到下面实证模型中去；在多重共线性检验中一共剔除了10个指标。最终剩余16个财务指标进行Logistics模型、主成分分析模型、以及BP神经网络法模型的构建。综合三种预警模型方法，BP神经网络具有自学习、适应性强功能，更加智能化，预测准确率最好达90.7%、但是占用时间资源最多。Logistics模型分析法要求指标变量之间不具备多重共线性，如果指标变量间存在多重共线性，模型将失去意义，实证研究中对训练样本拟合度非常好，对测试样本的预测准确率仅次于BP神经网络法达到86.7%；主成分分析法用少数的6个变量替代了原来共有16个变量，既解决了变量个数太多以及多重共线性的问题又保留原始数据的大部分信息；由于主成分分析法中6个主成分累计共反映原始变量约80%的信息，在信息完整性上面有所缺乏，最终模型对检验样本的预测准确率仅有80%，比其他两种方法低。