按照监管要求上市公司每年度公开发布的年度财务报表,这是公众全面了解公司经营情况、盈利能力、发展潜力等综合水平并做出相关投资决策的最主要依据。但是一方面虽然我国证券市场发展速度较快,但是发展时间不长而导致相关监管层无法及时有效的制定健全的监管政策,另一方面随着计算机和互联网大数据技术的发展,某些上市公司开始将新技术运用到财务造假中,使得公司进行财务造假的手段更加难以发现,对投资者造成的损害也更加巨大。因此,需要使用新的技术方法来预测上市公司是否进行了财务造假。本文通过对上市公司财务造假相关理论深入理解,选取了中国市场2010-2020年间被证监会公开处罚的财务造假上市公司年报数据,综合利用偏相关分析、F值计算、logit回归和BP神经网络技术建立模型。该模型相对于传统的财务造假预测模型,既提高了财务造假预测的准确率,又规避了神经网络缺乏解释性的“黑箱”缺点。论文的思路如下:首先,阐述公司财务造假的概念和动因、机器学习理论的发展情况、机器学习预测上市公司财务造假的发展情况等相关理论和研究。其次,结合财务造假动因理论,初选了224个与公司财务造假行为相关的指标。通过偏相关分析和F值计算对2010-2020年的造假公司财务数据进行指标筛选,选出与上市公司财务造假相关性较强且反映的不同信息的指标,经过第一次筛选后剩余126个指标。再次,通过logit回归来检验上市公司财务造假状态与第一次筛选后的指标的相关性,保留第一次筛选后的指标中与上市公司财务造假概率呈显著相关性的指标,经过第二次筛选后剩余66个指标。最后,利用BP神经网络建立上市公司财务造假预测模型,根据模型预测结果判断是否存在造假现象,本文构建的模型在训练时的AUC为0.978在检验时的AUC为0.982。可对财务报告使用者较为快速地识别财务造假提供一定的帮助。