本文从财务欺诈识别领域的研究成果入手,在分析前人研究不足的基础上,针对不足,深入探索,提出了较为有效的解决办法。具体地,本文针对前人研究的两项不足做了三方面工作。第一,本文针对传统财务欺诈识别模型无法捕捉财务指标纵向年度异常的不足,将这种纵向异常提炼成时序指标并加至朴素贝叶斯分类模型,改善了模型的分类精度。其中,着重研究了差值、比值、相对值形式的时序指标哪种更为有效,以及不同年份间的时序指标如何合理加权的问题。实证研究的结论是比值形式的时序指标更为有效,且当分配0.8的权重给较近年份的时序指标,同时分配0.2的权重给较远年份的时序指标时,效果更好。第二,本文从聚类的角度验证了分类模型中构造的比值时序指标的有效性,同时,还挖掘了比值时序指标所能反映的欺诈特征。实证研究的结论是当财务欺诈行为存在时,由净资产收益率和每股收益各自衍生出的比值形式时序指标可能出现较大异常。第三,本文针对传统欺诈识别模型作为监督学习算法而固有的不足——对照样本的选择和标注工作存在潜在不合理性、冗余性,基于部分监督学习算法对传统模型进行了改造。实证研究的结论是经优化改造的模型,不仅能够排除不可靠对照样本的干扰,还能充分利用欺诈样本中包含的有利于识别欺诈的信息。优化后的模型在识别财务欺诈方面也拥有更为出色的表现。